以前に蓄積されたデータと既知の物理原理に基づく自動化された科学的発見は、人工知能の最もエキサイティングなアプリケーションの 1 つです。科学者が従来の物理的直観が当てはまらない複雑な現象を研究するのに役立ちます。 最近、シンガポール国立大学、シンガポール科学技術研究庁 (A*STAR)、南洋理工大学、中国科学院の研究チームは、人工一般化された Onsager 原理に基づくインテリジェンス プラットフォーム: S-OnsagerNet は、微視的な軌道の観察から直接確率散逸系のマクロダイナミクスの記述を学習できます。この方法は、簡略化された熱力学座標を構築し、これらの座標上の力学を説明するのを同時に行います。 研究者らは、外部応用分野における長いポリマー鎖の伸長に関する理論的研究と実験的検証を通じて、その有効性を実証しました。具体的には、解釈可能な 3 つの熱力学座標が学習され、安定状態と遷移状態の特定や伸長速度の制御など、ポリマー伸長の動的ランドスケープが構築されます。この一般的なアプローチは、幅広い科学的および技術的アプリケーションに対処するために使用できます。 論文リンク:
https://www.nature.com/articles/s43588-023-00581-5 現代の科学的手法は、自然の理解において矛盾のない着実な進歩を確実にするために普遍的なアプローチを採用しています。新しい理論は仮説を立て、以前に蓄積されたデータに対してテストする必要があり、基本的な科学原理と互換性があり、実験的に検証することができます。 残念ながら、複雑なシステムでこれを実行して発見を容易にするための一般的なアルゴリズムのレシピはありません。 したがって、これまでのところ、一連の直観的な方程式で記述できるのは、最も基本的な物理現象 (通常は静的で平衡状態) だけです。生物学、軟凝縮物体、化学の機能を決定する多くの動的非平衡現象は、非常に近似的な経験法則によって記述されます。 人工知能と機械学習の進歩により、この課題に対するデータ駆動型のソリューションの可能性がもたらされます。 Onsager 相反関係 は、不可逆的な熱力学プロセスを説明する線形現象論の法則における係数間の相反関係です。これは、粒子の微視的な運動方程式の 時間反転 不変性を巨視的スケールで反映したものです。この関係は 1931 年にラース オンサガーによって確立されました。ラース・オンサガーは、これらの相互関係の発見により 1968 年にノーベル化学賞を受賞しました。 ここで、研究者らは人工知能プラットフォーム Stochastic OnsagerNet (S-OnsagerNet) を開発しました。これは、微視的な軌道の観察から直接、任意の確率的散逸力学系の解釈可能な閉じた熱力学記述を発見できます。 データから動的プロセスの動作を理解して予測するには、非構造化アプローチと構造化アプローチという 2 つの主なアプローチがあります。 S-OnsagerNet メソッドは後者のカテゴリに属します。これまで、ソフトマター、生物物理学、その他のアプリケーションでよく発生する散逸、非平衡、およびノイズのダイナミクスをモデル化するための一般的な構造化されたアプローチが不足していました。研究者らは、古典的な Onsager 原則に基づいて、この種の問題を特にターゲットにしました。 物理システムの巨視的な熱力学的記述は、洞察を提供するため非常に求められています。しかし、一般的な複雑な力学システムの場合、その後の解析や制御のための直感的な熱力学記述を構築することは困難な作業です。 S-OnsagerNet のアプローチは、この課題に対処します。 図: 提案手法の全体的なワークフロー。 (出典: 論文) 与えられた微視的な力学について、巨視的な熱力学的な記述は、低次元の閉座標(部分的な解釈可能性を確保)とこれらの座標上の時間発展法則を同時に構築することによって学習されます。一般的な人工知能のアプローチとは異なり、このプラットフォームは本質的に、探索を物理的に関連する進化の法則に限定します。特に研究者らは、一般化された Onsager 原理に基づいてニューラル ネットワーク アーキテクチャを構築することで、既存の科学的知識との互換性を確保しました。 研究者らは、最大 900 度の自由度を含むポリマー鎖の伸縮力学を学習し、それらを 3 つの巨視的座標だけを含む熱力学的記述に圧縮することでアプローチを実証しました。これらの記述はポリマー伸縮動力学の計算と制御に使用されます。実験データから。
図: シミュレーションのセットアップ、データの視覚化、予測および実際のストレッチ軌道とその統計。 (出典: 論文)
この研究は大進化のエネルギー像を構築し、安定状態と遷移状態の存在を明らかにします。これは動的な状態方程式として見ることができます。このような方程式を習得すると、熱力学座標の解釈やポリマーの伸び率の制御など、検証用の計算実験を設計できるようになります。 図: 学習された位置エネルギーの風景。 (出典: 論文)
研究者らは、これをさらに拡張して単一分子 DNA 伸縮実験を実施し、その熱力学的記述を使用して、急速に伸縮するポリマーとゆっくりと伸縮するポリマーを区別できることを示しました。これは、現在の人間の標識能力をはるかに超えています。さらに、自由エネルギーの状況から導出された予測変動相関は実験データと一致しています。 図: 実験データ分析。 (出典: 論文)
一般的な適用可能性をさらに実証するために、研究者らは S-OnsagerNet を適用して空間伝染病の巨視的ダイナミクスを導き出しました。 図: データの視覚化と予測結果。 (出典: 論文)
この研究で提案された方法の潜在的な適用可能性は、ポリマーや伝染病のダイナミクスを超えて、タンパク質の折り畳み、自己集合、ガラス系などの複雑な散逸プロセス一般にまで広がります。 提案された方法の堅牢性と汎用性をさらに向上させるために、将来的には価値のある研究の方向性が数多くあります。この方法を応用して、科学的に関心のある他のシステムの巨視的な熱力学を研究することができます。 以上がカスタム熱力学を構築するための一般化された Onsager 原則に基づく AI プラットフォームの詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。
