Исследователи из Техасского университета A&M под руководством профессора Шуйвана Джи опубликовали масштабную работуhttps://www.emerald.com/ftmal/article/18/4/385/1337483/Artificial-intelligence-for-science-in-quantum о применении ИИ в естественных науках. Коллективный труд более 60 авторов из 15 университетов объемом свыше 500 страниц описывает революционные возможности ускорения научных открытий с помощью машинного обучения.
Искусственный интеллект быстро решает задачи, на которые ученые тратили годы
Исследователи из Техасского университета A&M опубликовали масштабную работу о применении ИИ в естественных науках. Коллективный труд более 60 авторов из 15 университетов объемом свыше 500 страниц описывает революционные возможности ускорения научных открытий с помощью машинного обучения.
Одна из самых сложных для расчетов задач — предсказание климата и погоды. https://earthobservatory.nasa.gov/images/150290/typhoon-hinnamnor
Молекула состоит из атомов, атомы — из ядер и электронов. Для каждого атома можно выписать необходимые уравнения и посчитать, как он будет взаимодействовать с другими. Вот только это очень трудно. Даже для одной простой молекулы, например, для воды или соли, расчет распределения электронов (а от этого и зависят химические свойства молекулы) — трудная задача квантовой химии. Поэтому ученые уже давно свели задачу расчета распределения электронов в молекуле к гораздо более простой задаче — расчету функционала плотности. И стали рассчитать не многочастичную систему из множества электронов, а сразу все облако. Получилось в целом неплохо, хотя корректно посчитать функционал плотности удается не всегда. Как ни странно, для элементарной молекулы обычной соли, например, не удается.
Команда Google DeepMind взяла молекулы, для которых плотность рассчитана, и обучила на них нейросеть. И она стала предсказывать, каким будет электронное облако. Это огромный прорыв, который радикально упростит множество задач от конструирования солнечных батарей до создания материалов с нужными свойствами. Это модель была построена в 2021, а потом сильно улучшена. И вот теперь сразу многие ученые предложили целый набор идей, как использовать ИИ в естественных науках. Перспективы открываются очень большие.
Команда Google DeepMind взяла молекулы, для которых плотность рассчитана, и обучила на них нейросеть. И она стала предсказывать, каким будет электронное облако. Это огромный прорыв, который радикально упростит множество задач от конструирования солнечных батарей до создания материалов с нужными свойствами. Это модель была построена в 2021, а потом сильно улучшена. И вот теперь сразу многие ученые предложили целый набор идей, как использовать ИИ в естественных науках. Перспективы открываются очень большие.
Фундаментальные уравнения физики, такие как уравнение Шредингера, можно решить аналитически только для простейших случаев — например, для взаимодействия двух частиц. Как только система становится больше, сложность вычислений растет экспоненциально. Для практически полезных систем с тысячами или миллионами атомов традиционные методы становятся неприменимы.
Искусственный интеллект предлагает принципиально новый подход. Нейронные сети не решают уравнения в классическом математическом смысле, а находят быстрые и точные способы их аппроксимации. Вместо многочасовых квантово-механических расчетов нейросеть может предсказать энергию связи молекулы за миллисекунды, получив на входе только ее структуру.
Продолжение ниже
Видео
Продолжение
ИИ для науки
ИИ предсказывает распределение электронов внутри молекулы.
Новая область исследований, получившая название AI4Science (ИИ для науки) возникла сравнительно недавно. Microsoft Research объявила о создании глобальной команды AI4Science в 2022 году. Лаборатория AI4Science существует в Университете Амстердама.
Ключевая особенность AI4Science — необходимость встраивания физических принципов в архитектуру нейронных сетей. Обычные сети могут выдавать решения, нарушающие фундаментальные законы физики. Поэтому разрабатываются специальные архитектуры, которые по построению сохраняют физические инварианты.
Исследования, описанные в новой работе, охватывают три масштабных уровня: квантовый (волновые функции, электронная плотность), атомный (молекулы, белки, материалы) и континуальный (жидкости, климатические системы). Все эти системы описываются дифференциальными уравнениями, что позволяет создавать единые подходы к их исследованию.
Расчет свойств материалов тоже решается с помощью систем дифференциальных уравнений.
Практические применения уже впечатляют: дизайн новых лекарств через моделирование белковых взаимодействий, создание революционных материалов для аккумуляторов, поиск эффективных катализаторов. ИИ может решать и обратные задачи — по заданной функции подбирать оптимальную структуру вещества, например, отыскать структуру белка, который работает так, как мы хотим.
AI4Science может кардинально изменить скорость научных открытий, сократив время от идеи до результата с лет до дней.