이전에 축적된 데이터와 알려진 물리적 원리를 기반으로 하는 자동화된 과학적 발견은 인공 지능의 가장 흥미로운 응용 프로그램 중 하나입니다. 이러한 자동화된 가설 생성 및 검증은 과학자들이 복잡한 현상을 연구하는 데 도움이 될 수 있으며 전통적인 물리적 직관은 실패하다. 최근 싱가포르 국립대학교, 싱가포르 과학기술연구청(A*STAR), 난양기술대학교, 중국과학원의 연구팀은 일반화된 Onsager 원리를 기반으로 하는 인공지능 플랫폼을 개발했습니다. : S-OnsagerNet에서 직접 다운로드할 수 있습니다. 미세한 궤적을 관찰하여 임의의 소산 시스템에 대한 거시역학적 설명을 알아보세요. 이 방법은 단순화된 열역학적 좌표를 동시에 구성하고 이러한 좌표의 역학을 설명합니다. 연구원들은 외부 응용 분야에서 긴 고분자 사슬의 신축에 대한 이론적 연구와 실험적 검증을 통해 그 효과를 입증했습니다. 구체적으로, 세 가지 해석 가능한 열역학적 좌표가 학습되고 안정 및 전이 상태 식별과 연신 속도 제어를 포함하여 폴리머 연신의 동적 환경이 구성됩니다. 이러한 일반적인 접근 방식은 광범위한 과학 및 기술 응용 분야를 다루는 데 사용될 수 있습니다. 논문 링크: https://www.nature.com/articles/s43588-023-00581-5
현대 과학적 방법은 자연에 대한 이해에서 꾸준하고 충돌 없는 발전을 보장하기 위해 보편적인 접근 방식을 사용합니다. 새로운 이론은 이전에 축적된 데이터에 대해 가설을 세우고 테스트해야 하며 기본 과학 원리와 호환되며 실험적으로 검증될 수 있습니다. 안타깝게도 복잡한 시스템에서 발견을 용이하게 하기 위해 이 작업을 수행하는 보편적인 알고리즘 레시피는 없습니다. 그래서 지금까지는 가장 기본적인 물리적 현상(보통 정적, 평형 상태)만 일련의 직관적인 방정식으로 설명할 수 있습니다. 생물학, 연성응축물질, 화학의 기능성을 결정하는 많은 역동적인 비평형 현상은 매우 근사한 경험법칙으로 설명됩니다. 인공 지능과 기계 학습의 발전은 이러한 과제에 대한 데이터 기반 솔루션의 가능성을 제공합니다. Onsager의 상호 관계는 비가역적인 열역학적 과정을 설명하는 선형 현상학 법칙의 계수 간의 상호 관계입니다. 이는 입자의 미시적 운동 방정식의 시간 역전불변성을 거시적 규모로 반영한 것입니다. 이 관계는 Lars Onsager에 의해 1931년에 확립되었습니다. Lars Onsager는 이러한 상호 관계를 발견한 공로로 1968년 노벨 화학상을 수상했습니다. 여기서 연구원들은 미세한 궤적 관찰을 통해 임의의 확률론적 소산 역학 시스템에 대한 해석 가능하고 폐쇄적인 열역학적 설명을 직접 발견할 수 있는 인공 지능 플랫폼인 Stochastic OnsagerNet(S-OnsagerNet)을 개발합니다. 데이터에서 동적 프로세스의 동작을 이해하고 예측하는 데는 구조화되지 않은 방식과 구조화된 방식이라는 두 가지 주요 접근 방식이 있습니다. S-OnsagerNet 방법은 후자 범주에 속합니다. 지금까지 연성 물질, 생물물리학 및 기타 응용 분야에서 자주 발생하는 소산, 비평형 및 소음 역학을 모델링하는 일반적인 구조적 접근 방식이 부족했습니다. 연구원들은 고전적인 Onsager 원리를 기반으로 이러한 유형의 문제를 구체적으로 목표로 삼았습니다. 물리 시스템에 대한 거시적 열역학적 설명은 그것이 제공하는 통찰력 때문에 매우 인기가 높습니다. 그러나 일반적인 복잡한 동적 시스템의 경우 후속 분석 및 제어를 위한 직관적인 열역학적 설명을 구성하는 것은 어려운 작업입니다. S-OnsagerNet 접근 방식은 이러한 문제를 해결합니다. 그림: 제안된 방법의 전반적인 작업 흐름. (출처: 논문) 주어진 미시 역학에 대해 저차원 폐쇄 좌표(부분 해석 가능성 보장)와 이러한 좌표에 대한 시간 진화 법칙을 동시에 구성하여 거시적 열역학 설명을 학습합니다. 일반적인 인공 지능 접근 방식과 달리 플랫폼은 본질적으로 물리적으로 관련된 진화 법칙으로 검색을 제한합니다. 특히, 연구진은 일반화된 Onsager 원리를 기반으로 신경망 아키텍처를 구축하여 기존 과학 지식과의 호환성을 보장했습니다. 연구원들은 최대 900도의 자유도를 포함하는 폴리머 사슬의 신축 역학을 학습하고 이를 계산 및 실험 데이터 폴리머 신축 역학에서 제어되는 세 개의 거시적 좌표만 포함하는 열역학적 설명으로 압축함으로써 접근 방식을 보여줍니다. 그림: 시뮬레이션 설정, 데이터 시각화, 예측 및 실제 스트레치 궤적 및 통계. (출처: 논문)
이 연구는 대진화의 에너지 그림을 구성하고 안정 상태와 전이 상태의 존재를 밝힙니다. 이는 동적 상태 방정식으로 볼 수 있습니다. 이러한 방정식을 숙지하면 열역학적 좌표 해석 및 폴리머 신장 속도 제어를 포함한 검증 계산 실험의 설계가 가능해집니다. 삽화: 학습된 잠재 에너지 환경. (출처: 논문)
연구원들은 이를 더욱 확장하여 단일 분자 DNA 스트레칭 실험을 수행했으며 열역학적 설명을 사용하여 현재의 인간 라벨링 능력을 훨씬 뛰어넘는 빠른 스트레칭 폴리머와 느린 스트레칭 폴리머를 구별할 수 있음을 보여주었습니다. 더욱이, 자유 에너지 환경에서 파생된 예측된 변동 상관관계는 실험 데이터와 일치합니다. 그림: 실험 데이터 분석. (출처: 논문)
일반적인 적용 가능성을 더욱 입증하기 위해 연구원들은 S-OnsagerNet을 적용하여 공간 전염병의 거시적 역학을 도출했습니다. 그림: 데이터 시각화 및 예측 결과. (출처: 종이)
이 연구에서 제안된 방법의 잠재적 적용 가능성은 고분자 및 전염병 역학을 넘어 단백질 접힘, 자기 조립 및 유리 시스템과 같은 일반적인 복잡한 소산 과정을 포함하도록 확장됩니다. 제안된 방법의 견고성과 다양성을 더욱 향상시키기 위해 앞으로 가치 있는 연구 방향이 많이 있습니다. 이 방법을 적용하여 과학적으로 관심이 있는 다른 시스템의 거시적 열역학을 연구할 수 있습니다. 위 내용은 맞춤형 열역학 구축을 위한 일반화된 Onsager 원리를 기반으로 하는 AI 플랫폼의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!
![[웹 프런트엔드] Node.js 빠른 시작](https://img.php.cn/upload/course/000/000/067/662b5d34ba7c0227.png)
