Los generadores de Boltzmann superan los problemas de muestreo entre estados de larga vida. El generador de Boltzmann funciona de la siguiente manera:1. Tomamos muestras de un simple (p. Ej., Distribución gaussiana. 2. Se entrena una red neuronal profunda invertible para transformar esta distribución simple en una distribución pXðxÞ que es similar a la distribución de Boltzmann deseada del sistema de interés. 3. Para calcular cantidades termodinámicas, las muestras se vuelven a ponderar a la distribución de Boltzmann utilizando métodos de mecánica estadística. Reproducido con permiso de:F. Noé et al., Ciencia 365, eaaw1147 (2019). DOI:10.1126 / science.aaw1147
Un equipo de científicos de la Freie Universität Berlin ha desarrollado un método de Inteligencia Artificial (IA) que proporciona una solución fundamentalmente nueva del "problema de muestreo" en la física estadística. El problema del muestreo es que las propiedades importantes de los materiales y las moléculas prácticamente no se pueden calcular simulando directamente el movimiento de los átomos en la computadora porque las capacidades computacionales requeridas son demasiado vastas incluso para las supercomputadoras. El equipo desarrolló un método de aprendizaje profundo que acelera estos cálculos de forma masiva, haciéndolos factibles para aplicaciones previamente intratables. "La IA está cambiando todas las áreas de nuestra vida, incluida la forma en que hacemos ciencia, "explica el Dr. Frank Noé, profesor de la Freie Universität Berlin y autor principal del estudio. Muchos años atrás, Los llamados métodos de aprendizaje profundo superaron a los expertos humanos en el reconocimiento de patrones, ya sea en la lectura de textos escritos a mano o en el reconocimiento de células cancerosas a partir de imágenes médicas. "Desde estos avances, La investigación de la IA se ha disparado. Cotidiano, vemos nuevos desarrollos en áreas de aplicación donde los métodos tradicionales nos han dejado estancados durante años. Creemos que nuestro enfoque podría ser un gran avance para el campo de la física estadística ". Los resultados se publicaron en Ciencias .
La Física Estadística tiene como objetivo el cálculo de propiedades de materiales o moléculas en función de las interacciones de sus componentes constituyentes, ya sea la temperatura de fusión de un metal, o si un antibiótico puede unirse a las moléculas de una bacteria y, por lo tanto, inhabilitarla. Con métodos estadísticos, tales propiedades se pueden calcular en la computadora, y se pueden mejorar las propiedades del material o la eficacia de un medicamento específico. Uno de los principales problemas a la hora de realizar este cálculo es el enorme coste computacional, explica Simon Olsson, un coautor del estudio:"En principio, tendríamos que considerar cada estructura, eso significa todas las formas de posicionar todos los átomos en el espacio, calcular su probabilidad, y luego tomar su promedio. Pero esto es imposible porque el número de estructuras posibles es astronómicamente grande incluso para moléculas pequeñas. Por lo tanto, el enfoque habitual es simular el movimiento dinámico y las fluctuaciones de las moléculas, y, por lo tanto, muestrear solo aquellas estructuras que es muy probable que ocurran. Desafortunadamente, tales simulaciones son a menudo tan costosas desde el punto de vista computacional que no se pueden realizar ni siquiera en supercomputadoras; este es el problema del muestreo ".
El método de IA del equipo del Prof. Noé es un enfoque completamente nuevo hacia el problema del muestreo. "En lugar de simular el movimiento de las moléculas en pequeños pasos, encontramos las estructuras de alta probabilidad directamente, y dejar atrás el número mucho mayor de estructuras de baja probabilidad. Después, los cálculos son muy baratos, "explica Noé, "Los métodos de IA son clave para que este enfoque funcione". Jonas Köhler, otro coautor del estudio y experto en métodos de aprendizaje automático, explica el enfoque con un ejemplo:"Imagina que colocas una gota de tinta en una bañera llena de agua. La gota de tinta se separa y se mezcla con el agua. Ahora queremos encontrar las moléculas de tinta. Si lo hacemos seleccionando moléculas al azar de la bañera, esto sería muy ineficiente:tendríamos que vaciar la tina por completo para encontrar toda la tinta. En lugar de, usando IA, aprendemos el flujo de agua que distribuye la tinta a lo largo del tiempo con una red neuronal invertible. Con tal red, podemos invertir el flujo, básicamente invertir el tiempo, y luego encontrar todas las moléculas de tinta en la gota con la que comenzamos, sin tener que registrar el resto de la bañera ".
Aún quedan muchos desafíos por resolver antes de que el método del equipo de Noé esté listo para aplicaciones industriales. "Esta es una investigación básica, "Noé explica, "pero es un enfoque completamente nuevo para un viejo problema que abre la puerta a muchos desarrollos nuevos, y esperamos verlos en los próximos años ".