Editor |.Automatisierte wissenschaftliche Entdeckung auf der Grundlage zuvor gesammelter Daten und bekannter physikalischer Prinzipien ist eine der aufregendsten Anwendungen der künstlichen Intelligenz. Diese automatisierte Hypothesenerstellung und -überprüfung kann Wissenschaftlern helfen, komplexe Phänomene zu untersuchen, und die traditionelle physikalische Intuition kann es auch sein scheitern. Kürzlich hat ein Forschungsteam der National University of Singapore, der Singapore Agency for Science, Technology and Research (A*STAR
), der Nanyang Technological University und der Chinesischen Akademie der Wissenschaften eine Plattform für künstliche Intelligenz entwickelt, die auf dem verallgemeinerten Onsager-Prinzip basiert : S-OnsagerNet, das direkt heruntergeladen werden kann von Lernen Sie die makroskopische dynamische Beschreibung jedes beliebigen dissipativen Systems aus der Beobachtung seiner mikroskopischen Trajektorien. Diese Methode konstruiert gleichzeitig vereinfachte thermodynamische Koordinaten und erklärt die Dynamik dieser Koordinaten. Die Forscher demonstrierten seine Wirksamkeit durch theoretische Studien und experimentelle Überprüfung der Streckung langer Polymerketten in externen Anwendungsfeldern. Insbesondere werden drei interpretierbare thermodynamische Koordinaten gelernt und eine dynamische Landschaft der Polymerstreckung erstellt, einschließlich der Identifizierung stabiler Zustände und Übergangszustände sowie der Steuerung der Streckgeschwindigkeit. Mit diesem allgemeinen Ansatz lässt sich ein breites Spektrum wissenschaftlicher und technologischer Anwendungen ansprechen. Die Forschung mit dem Titel „Constructing custom thermodynamics using deep learning
Link zum Papier: https://www.nature.com/articles/s43588-023-00581-5
Moderne wissenschaftliche Methoden nutzen einen universellen Ansatz, um einen stetigen und widerspruchsfreien Fortschritt in unserem Verständnis der Natur zu gewährleisten: Neue Theorien müssen Hypothesen aufstellen und anhand zuvor gesammelter Daten getestet werden, sind mit grundlegenden wissenschaftlichen Prinzipien vereinbar und können experimentell verifiziert werden. Leider gibt es kein universelles algorithmisches Rezept, um dies in komplexen Systemen zu tun und die Entdeckung zu erleichtern. Bisher können nur die grundlegendsten physikalischen Phänomene (normalerweise statisch, im Gleichgewicht) durch eine Reihe intuitiver Gleichungen beschrieben werden. Viele dynamische Nichtgleichgewichtsphänomene, die die Funktionalität der Biologie, der weichen kondensierten Materie und der Chemie bestimmen, werden durch sehr ungefähre empirische Gesetze beschrieben. Fortschritte in der künstlichen Intelligenz und im maschinellen Lernen bieten die Möglichkeit datengesteuerter Lösungen für diese Herausforderung. Onsagers Reziprozitätsbeziehung ist die reziproke Beziehung zwischen Koeffizienten im linearen phänomenologischen Gesetz, das irreversible thermodynamische Prozesse beschreibt. Es ist die Widerspiegelung der „Zeitumkehr“-Invarianz der mikroskopischen Bewegungsgleichung von Teilchen auf der makroskopischen Skala. Diese Beziehung wurde 1931 von Lars Onsager gegründet. Für seine Entdeckung dieser wechselseitigen Beziehungen erhielt Lars Onsager 1968 den Nobelpreis für Chemie. Hier entwickeln Forscher eine Plattform für künstliche Intelligenz – Stochastic OnsagerNet (S-OnsagerNet), die interpretierbare und geschlossene thermodynamische Beschreibungen beliebiger stochastischer dissipativer dynamischer Systeme direkt aus Beobachtungen mikroskopischer Trajektorien entdecken kann. Es gibt zwei Hauptansätze, um das Verhalten dynamischer Prozesse anhand von Daten zu verstehen und vorherzusagen: unstrukturiert und strukturiert. Die S-OnsagerNet-Methode gehört zur letzteren Kategorie. Bisher fehlte ein allgemeiner strukturierter Ansatz zur Modellierung der dissipativen, Nichtgleichgewichts- und Rauschdynamik, die häufig in weicher Materie, Biophysik und anderen Anwendungen auftritt. Basierend auf dem klassischen Onsager-Prinzip gingen die Forscher speziell auf diese Art von Problem ein. Makroskopische thermodynamische Beschreibungen physikalischer Systeme sind wegen der Erkenntnisse, die sie liefern, sehr gefragt. Für allgemeine komplexe dynamische Systeme ist es jedoch eine schwierige Aufgabe, eine intuitive thermodynamische Beschreibung für die anschließende Analyse und Steuerung zu erstellen. Der S-OnsagerNet-Ansatz begegnet dieser Herausforderung. 
Abbildung: Der Gesamtablauf der vorgeschlagenen Methode. (Quelle: Papier) Für eine gegebene mikroskopische Dynamik wird eine makroskopische thermodynamische Beschreibung gelernt, indem gleichzeitig niedrigdimensionale geschlossene Koordinaten (Gewährleistung einer teilweisen Interpretierbarkeit) und die Zeitentwicklungsgesetze für diese Koordinaten konstruiert werden. Im Gegensatz zu allgemeinen Ansätzen der künstlichen Intelligenz beschränkt die Plattform die Suche von Natur aus auf physikalisch relevante Evolutionsgesetze. Insbesondere stellten die Forscher die Kompatibilität mit bestehenden wissenschaftlichen Erkenntnissen sicher, indem sie die Architektur des neuronalen Netzwerks auf der Grundlage verallgemeinerter Onsager-Prinzipien aufbauten. Die Forscher demonstrieren ihren Ansatz, indem sie die Streckungsdynamik von Polymerketten mit bis zu 900 Freiheitsgraden erlernen und sie zu einer thermodynamischen Beschreibung komprimieren, die nur drei makroskopische Koordinaten umfasst, die in rechnerischen und experimentellen Daten zur Polymerstreckungsdynamik gesteuert werden. 
Illustration: Simulationsaufbau, Datenvisualisierung, vorhergesagte und reale Dehnungsverläufe und deren Statistiken. (Quelle: Papier) Die Forschung erstellt ein Energiebild der Makroevolution und deckt die Existenz stabiler Zustände und Übergangszustände auf. Dies kann als dynamische Zustandsgleichung betrachtet werden. Die Beherrschung solcher Gleichungen ermöglicht die Entwicklung rechnerischer Verifizierungsexperimente, einschließlich der Interpretation thermodynamischer Koordinaten und der Steuerung der Polymerstreckgeschwindigkeiten.
Illustration: Die erlernte potenzielle Energielandschaft. (Quelle: Papier) Die Forscher erweiterten dies, um Einzelmolekül-DNA-Streckexperimente durchzuführen, und zeigten, dass ihre thermodynamische Beschreibung zur Unterscheidung zwischen sich schnell und langsam dehnenden Polymeren verwendet werden kann, weit über die derzeitigen Möglichkeiten der menschlichen Markierung hinaus. Darüber hinaus stimmen die vorhergesagten Fluktuationskorrelationen, die aus der freien Energielandschaft abgeleitet wurden, mit experimentellen Daten überein.
Abbildung: Experimentelle Datenanalyse. (Quelle: Papier) Um die allgemeine Anwendbarkeit weiter zu demonstrieren, verwendeten die Forscher S-OnsagerNet, um die makroskopische Dynamik räumlicher Epidemien abzuleiten.
Abbildung: Datenvisualisierung und Vorhersageergebnisse. (Quelle: Papier) Die potenzielle Anwendbarkeit der in dieser Studie vorgeschlagenen Methode geht über Polymere und epidemische Dynamik hinaus und umfasst komplexe dissipative Prozesse im Allgemeinen, wie Proteinfaltung, Selbstorganisation und Glassysteme. Es gibt viele lohnende Forschungsrichtungen für die Zukunft, um die Robustheit und Vielseitigkeit der vorgeschlagenen Methode weiter zu verbessern. Man kann diese Methode anwenden, um die makroskopische Thermodynamik anderer Systeme von wissenschaftlichem Interesse zu untersuchen.
Das obige ist der detaillierte Inhalt vonKI-Plattform basierend auf dem verallgemeinerten Onsager-Prinzip zur Erstellung benutzerdefinierter Thermodynamik. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!
