Ett team av forskare vid Freie Universität Berlin har utvecklat en artificiell intelligens (AI) -metod som ger en grundläggande ny lösning av "provtagningsproblemet" inom statistisk fysik. Provtagningsproblemet är att viktiga egenskaper hos material och molekyler praktiskt taget inte kan beräknas genom att direkt simulera atomernas rörelse i datorn eftersom den erforderliga beräkningskapaciteten är för stor även för superdatorer. Teamet utvecklade en djupinlärningsmetod som påskyndar dessa beräkningar massivt, vilket gör dem möjliga för tidigare svårhanterliga applikationer. "AI förändrar alla områden i vårt liv, inklusive hur vi gör vetenskap, "förklarar doktor Frank Noé, professor vid Freie Universität Berlin och huvudförfattare till studien. Många år sedan, så kallade djupinlärningsmetoder gynnade mänskliga experter inom mönsterigenkänning-vare sig det var läsning av handskrivna texter eller erkännande av cancerceller från medicinska bilder. "Sedan dessa genombrott, AI -forskningen har skjutit i höjden. Varje dag, vi ser ny utveckling inom applikationsområden där traditionella metoder har satt oss fasta i flera år. Vi tror att vårt tillvägagångssätt kan vara ett sådant framsteg inom området statistisk fysik. "Resultaten publicerades i Vetenskap .

Statistisk fysik syftar till att beräkna egenskaper hos material eller molekyler baserat på interaktionerna mellan deras beståndsdelar - vare sig det är metallens smälttemperatur, eller om ett antibiotikum kan binda till molekylerna i en bakterie och därigenom inaktivera det. Med statistiska metoder, sådana egenskaper kan beräknas i datorn, och materialets egenskaper eller effektiviteten hos en specifik medicinering kan förbättras. Ett av huvudproblemen vid beräkningen är den stora beräkningskostnaden, förklarar Simon Olsson, en medförfattare till studien:"I princip skulle vi behöva överväga varje struktur, det betyder alla sätt att placera alla atomer i rymden, beräkna dess sannolikhet, och sedan ta sitt genomsnitt. Men detta är omöjligt eftersom antalet möjliga strukturer är astronomiskt stort även för små molekyler. Därför, det vanliga tillvägagångssättet är att simulera molekylernas dynamiska rörelse och fluktuationer, och provar därför endast de strukturer som mycket sannolikt kommer att inträffa. Tyvärr, sådana simuleringar är ofta så beräknande dyra att de inte kan göras ens på superdatorer - det här är provtagningsproblemet. "

Noe -teamets AI -metod är en helt ny strategi för provtagningsproblemet. "Istället för att simulera molekylernas rörelse i små steg, vi hittar hög sannolikhetsstrukturer direkt, och lämna det mycket större antalet låga sannolikhetsstrukturer bakom. Efter det, beräkningarna är väldigt billiga, "förklarar Noé, "AI -metoder är nyckeln för att detta tillvägagångssätt ska fungera." Jonas Köhler, en annan medförfattare till studien och expert på maskininlärningsmetoder, förklarar tillvägagångssättet med ett exempel:"Tänk dig att du lägger en droppe bläck i ett badkar fyllt med vatten. Bläckdroppen flyter isär och blandas med vattnet. Nu vill vi hitta bläckmolekylerna. Om vi ​​gör det genom att slumpmässigt välja molekyler från badkaret, detta skulle vara mycket ineffektivt - vi måste tömma karet helt för att hitta allt bläck. Istället, använder AI, vi lär oss flödet av vatten som fördelar bläcket över tiden med ett inverterbart neuralt nätverk. Med ett sådant nätverk, vi kan invertera flödet, i princip omvänd tid, och sedan hitta alla bläckmolekyler i droppen som vi började med, utan att behöva söka i resten av badkaret. "

Det finns fortfarande många utmaningar att lösa innan Noés team är redo för industriella tillämpningar. "Detta är grundforskning, "Noé förklarar, "men det är ett helt nytt tillvägagångssätt för ett gammalt problem som öppnar dörren för många nya utvecklingar, och vi ser fram emot att se dem under kommande år. "