基于先前積累的數(shù)據(jù)和已知物理原理的自動化科學發(fā)現(xiàn)，是人工智能最令人興奮的應用之一，這種自動化的假設創(chuàng)建和驗證可以幫助科學家研究復雜的現(xiàn)象，而傳統(tǒng)的物理直覺可能會失敗。
近日，來自新加坡國立大學、新加坡科技研究局（A*STAR）、南洋理工大學和中國科學院的研究團隊，開發(fā)了一個基于廣義 Onsager 原理的人工智能平臺：S-OnsagerNet，可以直接從對任意隨機耗散系統(tǒng)的微觀軌跡的觀察中學習其宏觀動力學描述。該方法同時構建了簡化的熱力學坐標，并解釋這些坐標上的動力學。
研究人員通過理論研究和實驗驗證長聚合物鏈在外部應用場中的拉伸來證明其有效性。具體來說，學習了三個可解釋的熱力學坐標并構建了聚合物拉伸的動態(tài)景觀，包括穩(wěn)定態(tài)和過渡態(tài)的識別以及拉伸速率的控制。該通用方法可用于解決廣泛的科學和技術應用。
該研究以「Constructing custom thermodynamics using deep learning」為題，于 2023 年 12 月 29 日發(fā)布在《Nature Computational Science》上。
論文鏈接：https://www.nature.com/articles/s43588-023-00581-5
現(xiàn)代科學方法采用通用方法，確保我們對自然的理解穩(wěn)定而不沖突地進展：新理論需要根據(jù)先前積累的數(shù)據(jù)進行假設和檢驗，與基本科學原理兼容并可以通過實驗驗證。
不幸的是，沒有通用的算法 recipe 可以在復雜的系統(tǒng)中這樣做以促進發(fā)現(xiàn)。
因此，到目前為止，只有最基本的物理現(xiàn)象（通常是靜態(tài)的、處于平衡狀態(tài)）可以通過一組直觀的方程來描述。許多動態(tài)的、非平衡的現(xiàn)象決定了生物學、軟凝聚態(tài)物質(zhì)和化學的功能，都是通過非常近似的經(jīng)驗定律來描述。
人工智能和機器學習的進步為應對這一挑戰(zhàn)提供了數(shù)據(jù)驅(qū)動解決方案的可能性。
昂薩格倒易關系，是描述不可逆熱力學過程的線性唯象定律中各系數(shù)間的倒易關系。它是粒子微觀運動方程的時間反演不變性在宏觀尺度上的反映。這個關系是 1931 年由拉斯·昂薩格（Lars Onsager）建立。拉斯·昂薩格因為發(fā)現(xiàn)了這些倒易關系而獲頒授 1968 年的諾貝爾化學獎。
在此，研究人員開發(fā)了人工智能平臺——隨機 OnsagerNet（S-OnsagerNet），可以直接從微觀軌跡的觀察中發(fā)現(xiàn)任意隨機耗散動力系統(tǒng)的可解釋和封閉的熱力學描述。
從數(shù)據(jù)中理解和預測動態(tài)過程的行為主要有兩種方法：非結構化和結構化。S-OnsagerNet 方法屬于后一類。到目前為止，還缺乏一種通用的結構化方法來模擬軟物質(zhì)、生物物理學和其他應用中經(jīng)常出現(xiàn)的耗散、非平衡和噪聲動力學。研究人員基于經(jīng)典的 Onsager 原理，專門針對這類問題。
物理系統(tǒng)的宏觀熱力學描述因其提供的見解而受到高度追捧。然而，對于一般的復雜動力系統(tǒng)來說，構建直觀的熱力學描述以進行后續(xù)的分析和控制是一項艱巨的任務。S-OnsagerNet 方法解決了這一挑戰(zhàn)。
對于給定的微觀動力學，通過同時構建低維閉合坐標（確保部分可解釋）以及這些坐標上的時間演化定律來學習宏觀熱力學描述。與一般的人工智能方法不同，該平臺本質(zhì)上限制了對物理相關進化定律的搜索。特別是，研究人員通過基于廣義 Onsager 原理構建神經(jīng)網(wǎng)絡架構來確保與現(xiàn)有科學知識的兼容性。
研究人員通過學習包含高達 900 個自由度的聚合物鏈的拉伸動力學，將其壓縮為僅涉及三個宏觀坐標的熱力學描述來證明其方法，這些宏觀坐標在計算和實驗數(shù)據(jù)中控制聚合物拉伸動力學。
圖示：模擬設置、數(shù)據(jù)可視化、預測與真實拉伸軌跡及其統(tǒng)計數(shù)據(jù)。（來源：論文）
研究構建了宏觀演化的能量圖景，揭示了穩(wěn)定態(tài)和過渡態(tài)的存在。這可以被視為動態(tài)狀態(tài)方程。掌握這樣的方程可以設計驗證計算實驗，包括熱力學坐標的解釋和聚合物拉伸速率的控制。
圖示：學習到的勢能景觀。（來源：論文）
研究人員將其進一步擴展到進行單分子 DNA 拉伸實驗，并表明其熱力學描述可用于區(qū)分快速和緩慢拉伸聚合物，遠遠超出目前的人類標記能力。此外，從自由能景觀中得出的預測波動相關性與實驗數(shù)據(jù)一致。
圖示：實驗數(shù)據(jù)分析。（來源：論文）
為了進一步證明普遍適用性，研究人員應用 S-OnsagerNet 來推導空間流行病的宏觀動態(tài)。
圖示：數(shù)據(jù)可視化和預測結果。（來源：論文）
該研究所提方法的潛在適用性超出了聚合物和流行病動力學，包括一般復雜的耗散過程，例如蛋白質(zhì)折疊、自組裝和玻璃系統(tǒng)。
未來還有許多值得研究的方向來進一步提高所提出方法的穩(wěn)健性和通用性。人們可以應用該方法來學習其他具有科學意義的系統(tǒng)的宏觀熱力學。
原創(chuàng)文章，作者：計算搬磚工程師，如若轉(zhuǎn)載，請注明來源華算科技，注明出處：http://m.xiubac.cn/index.php/2024/02/16/336dce4dd7/
