编辑 | 绿萝
鉴于先前积累的数据和已知物理道理的自动化科学发现，是人工智能最令人兴奋的使用之一，这种自动化的假设创建和考证可以帮助科学家研讨复杂的现象，而传统的物理直觉可能会失败。
近日，来自新加坡国立大学、新加坡科技研讨局（A*STAR）、南洋理工大学和中国科学院的研讨团队，开发了一个鉴于广义 Onsager 道理的人工智能平台：S-OnsagerNet，可以直接从对任意随机耗散零碎的微观轨迹的观察中进修其微观动力学描写。该方式同时建立了简化的热力学坐标，并阐明这些坐标上的动力学。
研讨职员通过理论研讨和尝试考证长聚合物链在外部使用场中的拉伸来证明其有效性。具体来说，进修了三个可阐明的热力学坐标并建立了聚合物拉伸的静态景观，包括稳定态和过渡态的识别以及拉伸速率的控制。该通用方式可用于解决广泛的科学和技术使用。
该研讨以「Constructing custom thermodynamics using deep learning」为题，于 2023 年 12 月 29 日发布在《Nature Computational Science》上。
论文链接：https://www.nature.com/articles/s43588-023-00581-5
现代科学方式采用通用方式，确保我们对自然的理解稳定而不冲突地进展：新理论需要根据先前积累的数据进行假设和检验，与基本科学道理兼容并可以通过尝试考证。
不幸的是，没有通用的算法 recipe 可以在复杂的零碎中这样做以促进发现。
因此，到目前为止，只有最基本的物理现象（通常是静态的、处于平衡状态）可以通过一组直观的方程来描写。许多静态的、非平衡的现象决定了生物学、软凝聚态物质和化学的功能，都是通过非常近似的经验定律来描写。
人工智能和机器进修的进步为应对这一挑战提供了数据驱动解决方案的可能性。
昂萨格倒易关系，是描写不可逆热力学过程的线性唯象定律中各系数间的倒易关系。它是粒子微观运动方程的时间反演不变性在微观尺度上的反映。这个关系是 1931 年由拉斯·昂萨格（Lars Onsager）建立。拉斯·昂萨格因为发现了这些倒易关系而获颁授 1968 年的诺贝尔化学奖。
在此，研讨职员开发了人工智能平台——随机 OnsagerNet（S-OnsagerNet），可以直接从微观轨迹的观察中发现任意随机耗散动力零碎的可阐明和封闭的热力学描写。
从数据中理解和预测静态过程的行为主要有两种方式：非结构化和结构化。S-OnsagerNet 方式属于后一类。到目前为止，还缺乏一种通用的结构化方式来模拟软物质、生物物理学和其他使用中经常出现的耗散、非平衡和噪声动力学。研讨职员鉴于经典的 Onsager 道理，专门针对这类问题。
物理零碎的微观热力学描写因其提供的见解而受到高度追捧。然而，对于一般的复杂动力零碎来说，建立直观的热力学描写以进行后续的分析和控制是一项艰巨的任务。S-OnsagerNet 方式解决了这一挑战。
图示：所提出方式的总体工作流程。（起原：论文）
对于给定的微观动力学，通过同时建立低维闭合坐标（确保部分可阐明）以及这些坐标上的时间演化定律来进修微观热力学描写。与一般的人工智能方式不同，该平台本质上限制了对物理相关进化定律的搜索。特别是，研讨职员通过鉴于广义 Onsager 道理建立神经网络架构来确保与现有科学知识的兼容性。
研讨职员通过进修包含高达 900 个自由度的聚合物链的拉伸动力学，将其压缩为仅涉及三个微观坐标的热力学描写来证明其方式，这些微观坐标在计算和尝试数据中控制聚合物拉伸动力学。
图示：模拟设置、数据可视化、预测与真实拉伸轨迹及其统计数据。（起原：论文）
研讨建立了微观演化的能量图景，揭示了稳定态和过渡态的存在。这可以被视为静态状态方程。掌握这样的方程可以设计考证计算尝试，包括热力学坐标的阐明和聚合物拉伸速率的控制。
图示：进修到的势能景观。（起原：论文）
研讨职员将其进一步扩展到进行单分子 DNA 拉伸尝试，并表明其热力学描写可用于区分快速和缓慢拉伸聚合物，远远超出目前的人类标记能力。此外，从自由能景观中得出的预测波动相关性与尝试数据一致。
图示：尝试数据分析。（起原：论文）
为了进一步证明普遍适用性，研讨职员使用 S-OnsagerNet 来推导空间流行病的微观静态。
图示：数据可视化和预测结果。（起原：论文）
该研讨所提方式的潜在适用性超出了聚合物和流行病动力学，包括一般复杂的耗散过程，例如蛋白质折叠、自组装和玻璃零碎。
未来还有许多值得研讨的方向来进一步提高所提出方式的稳健性和通用性。人们可以使用该方式来进修其他具有科学意义的零碎的微观热力学。