Forskere udvikler en dyb læringsmetode til at løse et grundlæggende problem inden for statistisk fysik

Et team af forskere ved Freie Universität Berlin har udviklet en kunstig intelligens (AI)-metode, der giver en fundamentalt ny løsning på "prøveudtagningsproblemet" i statistisk fysik. Prøveudtagningsproblemet er, at vigtige egenskaber ved materialer og molekyler praktisk talt ikke kan beregnes ved direkte at simulere atomernes bevægelse i computeren, fordi den nødvendige beregningskapacitet er for stor selv for supercomputere. Holdet udviklede en dyb læringsmetode, der fremskynder disse beregninger massivt, gør dem mulige til tidligere vanskelige anvendelser. "AI ændrer alle områder af vores liv, inklusive måden vi laver videnskab på, " forklarer Dr. Frank Noé, professor ved Freie Universität Berlin og hovedforfatter til undersøgelsen. For flere år siden, såkaldte deep learning-metoder overtog menneskelige eksperter i mønstergenkendelse – det være sig læsning af håndskrevne tekster eller genkendelse af kræftceller fra medicinske billeder. "Siden disse gennembrud, AI-forskning er skudt i vejret. Hver dag, vi ser nye udviklinger inden for anvendelsesområder, hvor traditionelle metoder har ladet os sidde fast i årevis. Vi tror, ​​at vores tilgang kunne være et sådant fremskridt for området statistisk fysik." Resultaterne blev offentliggjort i Videnskab .

Statistisk fysik sigter mod beregning af egenskaber af materialer eller molekyler baseret på vekselvirkningerne mellem deres bestanddele - det være sig et metals smeltetemperatur, eller om et antibiotikum kan binde sig til en bakteries molekyler og derved deaktivere den. Med statistiske metoder, sådanne egenskaber kan beregnes i computeren, og materialets egenskaber eller effektiviteten af ​​en specifik medicin kan forbedres. Et af hovedproblemerne ved denne beregning er de store beregningsomkostninger, forklarer Simon Olsson, en medforfatter til undersøgelsen:"I princippet skulle vi overveje hver enkelt struktur, det betyder alle måder at placere alle atomer i rummet på, beregne dens sandsynlighed, og derefter tage deres gennemsnit. Men dette er umuligt, fordi antallet af mulige strukturer er astronomisk stort selv for små molekyler. Derfor, den sædvanlige tilgang er at simulere den dynamiske bevægelse og fluktuationer af molekyler, og således kun prøve de strukturer, der med stor sandsynlighed vil forekomme. Desværre, sådanne simuleringer er ofte så beregningsmæssigt dyre, at de ikke kan udføres selv på supercomputere - dette er prøveudtagningsproblemet."

Prof. Noés teams AI-metode er en helt ny tilgang til prøveudtagningsproblemet. "I stedet for at simulere molekylers bevægelse i små trin, vi finder strukturerne med høj sandsynlighed direkte, og efterlade det meget større antal strukturer med lav sandsynlighed bag sig. Efter det, beregningerne er meget billige, " forklarer Noé, "AI-metoder er nøglen til denne tilgang til at fungere." Jonas Köhler, en anden medforfatter af undersøgelsen og ekspert i maskinlæringsmetoder, forklarer fremgangsmåden med et eksempel:"Forestil dig, at du placerer en dråbe blæk i et badekar fyldt med vand. Blækdråben flyder fra hinanden og blandes med vandet. Nu vil vi finde blækmolekylerne. Hvis vi gør det ved tilfældigt at udvælge molekyler fra badekarret, det ville være meget ineffektivt – vi skulle tømme karret helt for at finde alt blækket. I stedet, ved hjælp af AI, vi lærer strømmen af ​​vand, som fordeler blækket over tid med et inverterbart neuralt netværk. Med et sådant netværk, vi kan vende strømmen, dybest set invertere tid, og find derefter alle blækmolekylerne i dråben, som vi startede med, uden at skulle gennemsøge resten af ​​badekarret."

Der er stadig mange udfordringer at løse, før Noés teams metode er klar til industrielle anvendelser. "Dette er grundforskning, Noé forklarer, "men det er en helt ny tilgang til et gammelt problem, der åbner døren for mange nye udviklinger, og vi glæder os til at se dem i de kommende år."