基於先前累積的數據和已知物理原理的自動化科學發現，是人工智慧最令人興奮的應用之一，這種自動化的假設創建和驗證可以幫助科學家研究複雜的現象，而傳統的物理直覺可能會失敗。 近日，來自新加坡國立大學、新加坡科技研究局（A*STAR）、南洋理工大學和中國科學院的研究團隊，開發了一個基於廣義Onsager 原理的人工智慧平台：S-OnsagerNet，可以直接從任意隨機耗散系統的微觀軌跡的觀察中學習其宏觀動力學描述。該方法同時建構了簡化的熱力學座標，並解釋這些座標上的動力學。 研究人員透過理論研究和實驗驗證長聚合物鏈在外部應用場中的拉伸來證明其有效性。具體來說，學習了三個可解釋的熱力學坐標並構建了聚合物拉伸的動態景觀，包括穩定態和過渡態的識別以及拉伸速率的控制。此通用方法可用於解決廣泛的科學和技術應用。 論文連結：https://www.nature.com/articles/s43588-023-00581-5
#
現代科學方法採用通用方法，確保我們對自然的理解穩定而不衝突地進展：新理論需要根據先前積累的數據進行假設和檢驗，與基本科學原理兼容並可以通過實驗驗證。 不幸的是，沒有通用的演算法 recipe 可以在複雜的系統中這樣做以促進發現。 因此，到目前為止，只有最基本的物理現象（通常是靜態的、處於平衡狀態）可以透過一組直觀的方程式來描述。許多動態的、非平衡的現象決定了生物學、軟凝聚態物質和化學的功能，都是透過非常近似的經驗定律來描述。 人工智慧和機器學習的進步為應對這項挑戰提供了數據驅動解決方案的可能性。 昂薩格倒易關係，是描述不可逆熱力學過程的線性唯象定律中各係數間的倒易關係。它是粒子微觀運動方程式的時間反演不變性在宏觀尺度上的反映。這個關係是 1931 年由拉斯·昂薩格（Lars Onsager）建立。拉斯·昂薩格因為發現了這些倒易關係而獲頒 1968 年的諾貝爾化學獎。 在此，研究人員開發了人工智慧平台——隨機 OnsagerNet（S-OnsagerNet），可以直接從微觀軌蹟的觀察中發現任意隨機耗散動力系統的可解釋和封閉的熱力學描述。 從資料中理解和預測動態過程的行為主要有兩種方法：非結構化和結構化。 S-OnsagerNet 方法屬於後者。到目前為止，還缺乏一種通用的結構化方法來模擬軟物質、生物物理學和其他應用中經常出現的耗散、非平衡和噪音動力學。研究人員基於經典的 Onsager 原理，專門針對這類問題。 物理系統的宏觀熱力學描述因其提供的見解而受到高度追捧。然而，對於一般的複雜動力系統來說，建構直觀的熱力學描述以進行後續的分析和控制是一項艱鉅的任務。 S-OnsagerNet 方法解決了這項挑戰。 圖示：所提出方法的整體工作流程。 （資料來源：論文）對於給定的微觀動力學，透過同時建構低維閉合座標（確保部分可解釋）以及這些座標上的時間演化定律來學習宏觀熱力學描述。與一般的人工智慧方法不同，該平臺本質上限制了對物理相關進化定律的搜尋。特別是，研究人員透過基於廣義 Onsager 原理建立神經網路架構來確保與現有科學知識的兼容性。 研究人員透過學習包含高達900 個自由度的聚合物鏈的拉伸動力學，將其壓縮為僅涉及三個宏觀座標的熱力學描述來證明其方法，這些宏觀座標在計算和實驗數據中控制聚合物拉伸動力學。 圖示：模擬設定、資料視覺化、預測與真實拉伸軌跡及其統計資料。 （資料來源：論文）
研究建構了宏觀演化的能量圖景，揭示了穩定態和過渡態的存在。這可以被視為動態狀態方程式。掌握這樣的方程式可以設計驗證計算實驗，包括熱力學座標的解釋和聚合物拉伸速率的控制。 圖示：學習到的位能景觀。 （資料來源：論文）
研究人員將其進一步擴展到進行單分子DNA 拉伸實驗，並表明其熱力學描述可用於區分快速和緩慢拉伸聚合物，遠遠超出目前的人類標記能力。此外，從自由能景觀中得出的預測波動相關性與實驗數據一致。 圖示：實驗數據分析。 （資料來源：論文）
為了進一步證明普遍適用性，研究人員應用 S-OnsagerNet 來推導空間流行病的宏觀動態。 圖示：資料視覺化與預測結果。 （來源：論文）
該研究所提方法的潛在適用性超出了聚合物和流行病動力學，包括一般複雜的耗散過程，例如蛋白質折疊、自組裝和玻璃系統。 未來還有許多值得研究的方向來進一步提高所提出方法的穩健性和通用性。人們可以應用該方法來學習其他具有科學意義的系統的宏觀熱力學。 以上是基於廣義 Onsager 原理的 AI 平台，建構自訂熱力學的詳細內容。更多資訊請關注PHP中文網其他相關文章！
