自由柏林大学一组科学家开发了一种人工智能(AI)方法，为统计物理中“抽样问题”提供了一种全新的解决方案。采样问题是材料和分子的重要性质，实际上不能通过直接模拟计算机中原子的运动来计算，因为所需的计算能力即使对于超级计算机来说也太大了。该团队开发了一种深度学习方法，大大加快了这些计算的速度，使之适用于以前难以处理的应用程序。自由柏林大学教授、该研究的主要作者弗兰克·诺埃博士解释说：人工智能正在改变我们生活的所有领域，包括我们做科学的方式。
几年前，所谓的深度学习方法在模式识别方面击败了人类专家，无论是阅读手写文本还是从医学图像中识别癌细胞。自这些突破以来，人工智能研究飞速发展。每天我们都会看到应用领域的新发展，而传统方法已经让我们停滞不前多年。相信，新方法可能是统计物理领域的巨大进步，其研究结果发表在《科学》上。统计物理的目的是根据材料或分子组成成分的相互作用来计算材料或分子的性质，无论是金属的熔化温度，还是抗生素是否能与细菌的分子结合从而使其失效。
利用统计方法，可以在计算机中计算这些性质，并且可以提高材料的性质或特定药物的效率。进行这种计算时的主要问题之一是巨大的计算成本，理论上，必须考虑每一个单一的结构，这意味着所有原子在空间中的位置，计算其概率，然后取平均值。但这是不可能的，因为即使是小分子，可能的结构数量也是天文数字。因此，通常的方法是模拟分子动态运动和涨落，因此只对那些很可能发生的结构进行采样。不幸的是，这样的模拟往往非常昂贵，即使在超级计算机上也做不到，这就是采样问题。
Noé教授团队的人工智能方法是解决抽样问题的一种全新方法，不是用很小的步骤来模拟分子运动，而是直接找到高概率结构，而把数量更多的低概率结构留在后面。在那之后，计算非常便宜，人工智能方法是这种方法起作用的关键。例如把一滴墨水放进一个装满水的浴缸里，墨水滴分开并与水混合。现在要找到墨水分子，如果我们通过从浴缸中随机选择分子来做到这一点，这将是非常低效的，将不得不完全清空浴缸才能找到所有的墨水。
取而代之的是，使用人工智能，通过可逆的神经网络学习水流动，它随着时间的推移分配墨水。有了这样的网络，可以反转流量，基本上反转时间，然后在开始的液滴中找到所有墨水分子，而不必搜索浴缸的其余部分。在该方法准备投入工业应用之前，仍有许多挑战需要解决，这是基础研究，但这是一种全新的方法来解决老问题，为许多新的开发打开了大门，相信大家也期待着在未来几年看到这些成果。
博科园｜研究/来自：自由柏林大学
参考期刊《科学》
DOI: 10.1126/science.aaw1147
博科园｜科学、科技、科研、科普
关注【博科园】看更多大美宇宙科学哦?
