关键词：复杂系统，深度学习，人工智能，自动科学发现，随机耗散系统，广义Onsager原理



论文题目：Constructing custom thermodynamics using deep learning
论文期刊：Nature Computational Science
论文地址：https://pattern.swarma.org/paper/4b026f36-a65d-11ee-bc79-0242ac17000e
斑图地址：https://www.nature.com/articles/s43588-023-00581-5

人工智能最令人兴奋的应用之一是基于先前积累的数据和已知物理原理的约束（如对称性和守恒律）进行自动科学发现。在复杂系统，目前难以利用算法配方这种通用科学方法来促进新发现的产生，而人工智能和机器学习的发展为解决这一挑战提供了可能性。

这篇文章基于广义Onsager原理开发了一个平台，可以直接从微观轨迹的观察中发现任意随机耗散动力系统的可解释且封闭的热力学描述，同时构建了简化的热力学坐标并解释了在这些坐标上的动力学。

图1 所提出方法的整体工作流程。

文章通过理论研究和实验证明其有效性，以研究在外加场中拉伸长聚合物链。具体而言，作者通过学习包含多达900个自由度的聚合物链的拉伸动力学来验证方法有效性，将其压缩成一个仅包含三个宏观坐标的热力学描述，并构建宏观演化的能量景观，揭示了稳定和过渡态的存在，这可以看作是一个动态状态方程。

图2 学到的能量景观

进一步又将其扩展到进行单分子DNA拉伸实验，并展示该热力学描述可以用于区分快速和慢速拉伸的聚合物，远远超出当前的人类标记能力。此外，从自由能景观导出的预测涨落相关性与实验数据一致。

该方法可以用于解决各种科学和技术应用，潜在的适用范围不仅限于聚合物和流行病动力学，还包括一般的复杂耗散过程，为自动化这一过程提供了潜在的可能性，为理解和控制各种复杂系统及其科学应用打开了多种可能性。


编译｜董佳欣

AI+Science 读书会


详情请见：
人工智能和科学发现相互赋能的新范式：AI+Science 读书会启动


‍推荐阅读
1. 深度强化学习的前景：帮助机器掌控复杂性
2. 让GPT-4写代码，模拟物理复杂系统中的涌现
3. 几何深度学习：让物理世界拥有AI | 黄文炳分享整理
4. 张江：第三代人工智能技术基础——从可微分编程到因果推理 | 集智学园全新课程
5. 加入集智学园VIP，一次性获取集智平台所有内容资源
6. 加入集智，一起复杂！


点击“阅读原文”，报名读书会