關鍵詞：複雜系統，深度學習，人工智慧，自動科學發現，隨機耗散系統，廣義Onsager原理
論文題目：Constructing custom thermodynamics using deep learning 論文期刊：Nature Computational Science 論文地址：https://pattern.swarma.org/paper/4b026f36-a65d-11ee-bc79-0242ac17000e 斑圖地址：https://www.nature.com/articles/s43588-023-00581-5
人工智慧最令人興奮的應用之一是基於先前積累的資料和已知物理原理的約束 （如對稱性和守恆律） 進行自動科學發現。在複雜系統，目前難以利用演算法配方這種通用科學方法來促進新發現的產生，而人工智慧和機器學習的發展為解決這一挑戰提供了可能性。
這篇文章基於廣義Onsager原理開發了一個平臺，可以直接從微觀軌跡的觀察中發現任意隨機耗散動力系統的可解釋且封閉的熱力學描述，同時構建了簡化的熱力學座標並解釋了在這些座標上的動力學。
圖1 所提出方法的整體工作流程。
文章透過理論研究和實驗證明其有效性，以研究在外加場中拉伸長聚合物鏈。具體而言，作者透過學習包含多達900個自由度的聚合物鏈的拉伸動力學來驗證方法有效性，將其壓縮成一個僅包含三個宏觀座標的熱力學描述，並構建宏觀演化的能量景觀，揭示了穩定和過渡態的存在，這可以看作是一個動態狀態方程。
圖2 學到的能量景觀
進一步又將其擴充套件到進行單分子DNA拉伸實驗，並展示該熱力學描述可以用於區分快速和慢速拉伸的聚合物，遠遠超出當前的人類標記能力。此外，從自由能景觀匯出的預測漲落相關性與實驗資料一致。
該方法可以用於解決各種科學和技術應用，潛在的適用範圍不僅限於聚合物和流行病動力學，還包括一般的複雜耗散過程，為自動化這一過程提供了潛在的可能性，為理解和控制各種複雜系統及其科學應用打開了多種可能性。
編譯｜董佳欣
AI+Science 讀書會
詳情請見：
推薦閱讀
1.
2.
3.
4.
5.
6.
