Een team van wetenschappers van de Freie Universität Berlin heeft een kunstmatige intelligentie (AI) -methode ontwikkeld die een fundamenteel nieuwe oplossing biedt voor het "steekproefprobleem" in de statistische fysica. Het bemonsteringsprobleem is dat belangrijke eigenschappen van materialen en moleculen praktisch niet kunnen worden berekend door de beweging van atomen in de computer direct te simuleren, omdat de vereiste rekencapaciteit zelfs voor supercomputers te groot is. Het team ontwikkelde een deep learning-methode die deze berekeningen enorm versnelt, waardoor ze haalbaar zijn voor voorheen onhandelbare toepassingen. "AI verandert alle gebieden van ons leven, inclusief de manier waarop we wetenschap bedrijven, " legt Dr. Frank Noé uit, professor aan de Freie Universität Berlin en hoofdauteur van de studie. Een aantal jaar geleden, zogenaamde deep learning-methoden versloegen menselijke experts in patroonherkenning, of het nu ging om het lezen van handgeschreven teksten of het herkennen van kankercellen op medische beelden. “Sinds deze doorbraken, AI-onderzoek is explosief gestegen. Elke dag, we zien nieuwe ontwikkelingen in toepassingsgebieden waar traditionele methoden ons al jaren laten vastlopen. We geloven dat onze aanpak zo'n vooruitgang kan betekenen voor de statistische fysica." De resultaten werden gepubliceerd in Wetenschap .

Statistische fysica is gericht op de berekening van eigenschappen van materialen of moleculen op basis van de interacties van hun samenstellende componenten - of het nu gaat om de smelttemperatuur van een metaal, of dat een antibioticum zich kan binden aan de moleculen van een bacterie en deze daardoor kan uitschakelen. Met statistische methoden, dergelijke eigenschappen kunnen in de computer worden berekend, en de eigenschappen van het materiaal of de efficiëntie van een bepaald medicijn kunnen worden verbeterd. Een van de grootste problemen bij het uitvoeren van deze berekening zijn de enorme rekenkosten, legt Simon Olsson uit, een co-auteur van de studie:"In principe zouden we elke afzonderlijke structuur moeten overwegen, dat betekent elke manier om alle atomen in de ruimte te positioneren, bereken de kans, en dan hun gemiddelde nemen. Maar dit is onmogelijk omdat het aantal mogelijke structuren zelfs voor kleine moleculen astronomisch groot is. Daarom, de gebruikelijke benadering is om de dynamische beweging en fluctuaties van moleculen te simuleren, en bemonster dus alleen die structuren die zeer waarschijnlijk zullen voorkomen. Helaas, dergelijke simulaties zijn vaak zo rekenkundig duur dat ze zelfs op supercomputers niet kunnen worden gedaan - dit is het steekproefprobleem."

De AI-methode van het team van prof. Noé is een geheel nieuwe benadering van het steekproefprobleem. "In plaats van de beweging van moleculen in kleine stapjes te simuleren, we vinden de structuren met een hoge waarschijnlijkheid direct, en laat het veel grotere aantal structuren met een lage waarschijnlijkheid achter. Daarna, de berekeningen zijn erg goedkoop, " legt Noé uit, "AI-methoden zijn essentieel om deze aanpak te laten werken." Jonas Kohler, een andere co-auteur van de studie en expert in machine learning-methoden, legt de aanpak uit met een voorbeeld:"Stel je voor dat je een druppel inkt in een met water gevulde badkuip doet. De inktdruppel vloeit uit elkaar en vermengt zich met het water. Nu willen we de inktmoleculen vinden. Als we dat doen door willekeurig moleculen te selecteren uit het bad, dit zou erg inefficiënt zijn - we zouden de kuip volledig moeten legen om alle inkt te vinden. In plaats daarvan, met behulp van AI, we leren de stroom van water die de inkt in de tijd verdeelt met een omkeerbaar neuraal netwerk. Met zo'n netwerk we kunnen de stroom omkeren, in principe de tijd omkeren, en vind dan alle inktmoleculen in de druppel waarmee we begonnen, zonder de rest van de badkuip te hoeven doorzoeken."

Er zijn nog veel uitdagingen om op te lossen voordat de methode van Noé's team klaar is voor industriële toepassingen. "Dit is fundamenteel onderzoek, " legt Noé uit, "maar het is een volledig nieuwe benadering van een oud probleem dat de deur opent voor veel nieuwe ontwikkelingen, en we kijken er naar uit om die de komende jaren te zien."