La découverte scientifique automatisée basée sur des données précédemment accumulées et des principes physiques connus est l'une des applications les plus passionnantes de l'intelligence artificielle. Cette création et cette vérification automatisées d'hypothèses peuvent aider les scientifiques à étudier des phénomènes complexes, et l'intuition physique traditionnelle peut le faire. échouer. Récemment, une équipe de recherche de l'Université nationale de Singapour, de l'Agence de Singapour pour la science, la technologie et la recherche (A*STAR), de l'Université technologique de Nanyang et de l'Académie chinoise des sciences a développé une plateforme d'intelligence artificielle basée sur le principe généralisé d'Onsager. : S-OnsagerNet, directement téléchargeable depuis Apprenez la description dynamique macroscopique de tout système dissipatif aléatoire à partir de l'observation de ses trajectoires microscopiques. Cette méthode construit simultanément des coordonnées thermodynamiques simplifiées et explique la dynamique sur ces coordonnées. Les chercheurs ont démontré son efficacité à travers des études théoriques et une vérification expérimentale de l'étirement de longues chaînes polymères dans des domaines appliqués externes. Plus précisément, trois coordonnées thermodynamiques interprétables sont apprises et un paysage dynamique d'étirement des polymères est construit, comprenant l'identification des états stables et de transition et le contrôle du taux d'étirement. Cette approche générale peut être utilisée pour aborder un large éventail d’applications scientifiques et technologiques. La recherche, intitulée « Constructing custom thermodynamics using deep learning », a été publiée dans « Nature Computational Science » le 29 décembre 2023. Lien papier : https://www.nature.com/articles/s43588-023-00581-5
Les méthodes scientifiques modernes emploient une approche universelle pour garantir des progrès constants et non conflictuels dans notre compréhension de la nature : les nouvelles théories doivent faire l'objet d'hypothèses et être testées par rapport aux données précédemment accumulées, sont compatibles avec les principes scientifiques de base et peuvent être vérifiées expérimentalement. Malheureusement, il n’existe pas de recette algorithmique universelle pour réaliser cela dans des systèmes complexes afin de faciliter la découverte. Jusqu'à présent, seuls les phénomènes physiques les plus élémentaires (généralement statiques, en équilibre) peuvent être décrits par un ensemble d'équations intuitives. De nombreux phénomènes dynamiques hors équilibre qui déterminent la fonctionnalité de la biologie, de la matière molle condensée et de la chimie sont décrits par des lois empiriques très approximatives. Les progrès de l'intelligence artificielle et de l'apprentissage automatique offrent la possibilité de solutions basées sur les données pour relever ce défi. La relation de réciprocité d'Onsager est la relation réciproque entre les coefficients de la loi phénoménologique linéaire qui décrit les processus thermodynamiques irréversibles. C'est le reflet de l'invariance du inversion temporelle de l'équation microscopique du mouvement des particules à l'échelle macroscopique. Cette relation a été établie en 1931 par Lars Onsager. Lars Onsager a reçu le prix Nobel de chimie en 1968 pour sa découverte de ces relations réciproques. Ici, les chercheurs développent une plateforme d'intelligence artificielle - Stochastic OnsagerNet (S-OnsagerNet), qui peut découvrir des descriptions thermodynamiques interprétables et fermées de systèmes dynamiques dissipatifs stochastiques arbitraires directement à partir d'observations de trajectoires microscopiques. Il existe deux approches principales pour comprendre et prédire le comportement des processus dynamiques à partir de données : non structurées et structurées. La méthode S-OnsagerNet appartient à cette dernière catégorie. Jusqu’à présent, il manquait une approche structurée générale pour modéliser la dynamique dissipative, hors équilibre et de bruit qui survient souvent dans la matière molle, la biophysique et d’autres applications. Les chercheurs ont spécifiquement ciblé ce type de problèmes en s’appuyant sur le principe classique d’Onsager. Les descriptions thermodynamiques macroscopiques des systèmes physiques sont très recherchées pour les informations qu'elles fournissent. Cependant, pour les systèmes dynamiques complexes généraux, construire une description thermodynamique intuitive pour une analyse et un contrôle ultérieurs est une tâche difficile. L'approche S-OnsagerNet répond à ce défi. Illustration : Le flux de travail global de la méthode proposée. (Source : article) Pour une dynamique microscopique donnée, une description thermodynamique macroscopique s'apprend en construisant simultanément des coordonnées fermées de basse dimension (garantissant une interprétabilité partielle) et les lois d'évolution temporelle sur ces coordonnées. Contrairement aux approches générales d’intelligence artificielle, la plateforme limite intrinsèquement la recherche aux lois évolutives physiquement pertinentes. Les chercheurs ont notamment assuré la compatibilité avec les connaissances scientifiques existantes en construisant l’architecture du réseau neuronal basée sur les principes généralisés d’Onsager. Les chercheurs démontrent leur approche en apprenant la dynamique d'étirement de chaînes polymères contenant jusqu'à 900 degrés de liberté, en les compressant dans une description thermodynamique impliquant seulement trois coordonnées macroscopiques, qui sont contrôlées dans des données informatiques et expérimentales. Dynamique d'étirement des polymères. Illustration : configuration de la simulation, visualisation des données, trajectoires d'étirement prédites et réelles et leurs statistiques. (Source : Papier)
La recherche construit une image énergétique de la macroévolution et révèle l'existence d'états stables et d'états de transition. Cela peut être considéré comme une équation d’état dynamique. La maîtrise de telles équations permet la conception d'expériences informatiques de vérification, y compris l'interprétation des coordonnées thermodynamiques et le contrôle des taux d'étirement des polymères. Illustration : Le paysage énergétique potentiel appris. (Source : article)
Les chercheurs ont étendu cette approche pour mener des expériences d'étirement de l'ADN d'une seule molécule et ont montré que sa description thermodynamique peut être utilisée pour distinguer les polymères à étirement rapide et lent, bien au-delà des capacités de marquage humaines actuelles. De plus, les corrélations de fluctuation prévues dérivées du paysage de l’énergie libre sont cohérentes avec les données expérimentales. Illustration : Analyse de données expérimentales. (Source : article)
Pour démontrer davantage l'applicabilité générale, les chercheurs ont appliqué S-OnsagerNet pour dériver la dynamique macroscopique des épidémies spatiales. Illustration : Visualisation des données et résultats de prédiction. (Source : papier)
L'applicabilité potentielle de la méthode proposée dans cette étude s'étend au-delà de la dynamique des polymères et des épidémies pour inclure les processus dissipatifs complexes en général, tels que le repliement des protéines, l'auto-assemblage et les systèmes de verre. Il existe de nombreuses directions de recherche intéressantes dans le futur pour améliorer encore la robustesse et la polyvalence de la méthode proposée. On peut appliquer cette méthode pour étudier la thermodynamique macroscopique d’autres systèmes d’intérêt scientifique. Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!
