Учените се съмняват, че AI на DeepMind е толкова добър за системи с частичен заряд, колкото изглежда


Учените се съмняват, че AI на DeepMind е толкова добър за системи с частичен заряд, колкото изглежда

Връзка между тестовите системи BBB и атомите с частичен заряд от набора за обучение. Кредит: Михаил Медведев (Институт по органична химия Зелински към РАН)

В техния вестник публикувани в наука през декември 2021 г. екип на DeepMind показа как невронните мрежи могат да се използват за описание на взаимодействията на електроните в химическите системи по-точно от съществуващите методи. Екип от изследователи от Skoltech, Zelinsky Institute of Organic Chemistry, HSE University, Yandex и Kyungpook National University показват в своя коментар в наука че способността на DeepMind AI да обобщава поведението на такива системи не следва от публикуваните резултати и изисква преразглеждане.

Знаейки къде се намират електроните в една молекула, може много да обясните нейната структура, свойства и реактивност. Химиците използват методите на функционалната теория на плътността (DFT), приближения към уравнението на Шрьодингер, за да направят точни и изчислително ефективни модели на молекули и материали. Но има добре известни обстоятелства, при които DFT инструментите се провалят. Единият е предсказване как атомите споделят електрони; в един известен пример методите на DFT неправилно прогнозират, че дори когато хлорен и натриев атом са безкрайно далеч един от друг, хлорният атом запазва част от един от електроните на натриевия атом.

Подобни грешки възникват, защото DFT уравненията са само приближения на физическата реалност. Изследователи от проекта за машинно обучение DeepMind казват, че тяхната невронна мрежа елиминира тази грешка на част от електрона и прави по-точни прогнози от традиционните DFT методи

„В основата си DFT е метод за решаване на уравнението на Шрьодингер. Неговата точност се определя от неговата обменно-корелационна част, която за съжаление е неизвестна. Към днешна дата са предложени над 400 различни приближения за тази част“, ​​казва Петр Жиляев , старши научен сътрудник в Skoltech.

„Един от начините за изграждане на добра част за обменно-корелационна връзка е да се прехвърли информация за нея от по-„напреднали“ числени методи от теорията на функционалната плътност, които обаче са с порядък по-малко изчислително ефективни. В своята работа DeepMind използва невронна мрежа като универсален интерполатор за изучаване на обменно-корелационната част на функционала. Техният опит не беше първият далеч, но е един от най-амбициозните.”

DeepMind конструира базиран на невронна мрежа функционал на плътност, обозначен като DM21, обучен на системи с частичен електрон, като водороден атом с половин електрон. За да докажат своето превъзходство, авторите са тествали DM21 върху набор от разтегнати димери (наречен BBB набор), например два водородни атома на голямо разстояние с общо един електрон.

Очаквано функционалността DM21 показва отлична производителност на тестовия комплект BBB, надминавайки далеч всички тествани класически DFT функционални функции и DM21m, обучени идентично на DM21, но без системите с частични електрони в набора за обучение.

Въпреки че това може да изглежда, че DM21 е разбрал физиката зад системите с частични електрони, по-внимателен поглед показва, че всички димери в комплекта BBB стават много подобни на системите в комплекта влакове. В действителност, по силата на локалността на електрослабите взаимодействия, атомните взаимодействия са силни само на къси разстояния, извън които двата атома се държат по същество така, сякаш не взаимодействат (вижте фигурата по-горе).

„В някои отношения, невронни мрежи са точно като хората: предпочитат да получат правилния отговор по грешна причина, а след това обратното. Следователно не е толкова трудно да се обучи невронна мрежа, колкото е да се докаже, че тя е научила физическите закони, вместо да запомни правилните отговори. Тестването на невронна мрежа върху системи, които е видяла по време на обучение, е подобно на изследване на ученик със задача, която е видял как учител решава само преди пет минути“, обяснява Майкъл Медведев, ръководител на групата по теоретична химия в Института по органична химия на Зелински в Русия академия на науките.

По този начин наборът от тестове BBB не е подходящ: той не тества разбирането на DM21 на системите с дробни електрони: DM21 може лесно да се измъкне от запаметяване. Задълбочен анализ на другите четири доказателства за работа с DM21 на такива системи също не доведе до решително заключение: само добрата му точност на комплекта SIE4x4 може да бъде надеждна, въпреки че дори там ясна тенденция на нарастване на грешките с разстоянието предполага, че DM21 не е напълно лишен от проблеми със системите с частични електрони.

Използването на системи с дробни електрони в обучителния набор не е единствената новост в работата на DeepMind. Тяхната идея за въвеждане на физическите ограничения в невронна мрежа чрез набора за обучение, както и подходът за налагане на физически усет чрез обучение на правилния химичен потенциал, вероятно ще бъдат широко използвани в изграждането на невронна мрежа DFT функции в бъдеще.


Симулиране на материя в наноразмер с AI


Повече информация:
Игор С. Герасимов и др., Коментар за “Избутване на границите на функционалите на плътността чрез решаване на проблема с дробните електрони,” наука (2022). DOI: 10.1126/science.abq3385

Цитат: Учените се съмняват, че AI на DeepMind е толкова добър за системи с частичен заряд, колкото изглежда (2022 г., 15 август) извлечено на 16 август 2022 г. от https://phys.org/news/2022-08-scientists-deepmind-ai-good- fractional-charge.html

Този документ е обект на авторско право. Освен всяко честно отношение за целите на частно проучване или изследване, никоя част не може да бъде възпроизвеждана без писмено разрешение. Съдържанието се предоставя само за информационни цели.