高分子科學系科研團隊在深度學習與物理研究交叉領域提出全新概念表征方法
?
? ? ? ?復旦大學高分子科學系張紅東教授、李劍鋒副教授與加拿大滑鐵瀘大學陳征宇教授合作，在深度學習與物理研究交叉領域取得新進展，提出了一種全新的概念表征方法。近日，研究成果以《用強關聯(lián)神經(jīng)網(wǎng)絡進行結構預測與反向設計》（“Structural Prediction and Inverse Design by a Strongly Correlated Neural Network”）為題發(fā)表于《物理評論快報》(Physical Review Letters 123, 2019, 108002)。
? ? ? ?將深度學習或神經(jīng)網(wǎng)絡運用于研究自然語言或其它學科時，首先需要對涉及的一些概念（詞或物理實體）進行恰當?shù)?、充分的表征。之前，人們大多采用靜態(tài)熱點表征（One-Hot Encoding）或向量表征(Vector Representation)，此兩種表征方式雖可描述概念的特征，卻不能反映環(huán)境對其屬性之影響，亦不能體現(xiàn)概念的功能。
? ? ? ?“因此，我常在想：大腦是不是真的用一個靜態(tài)的向量來表達概念與物理實體呢？我覺得不一定，比如我們說自行車時，這個概念本身它應該自帶‘構造’，另外它跟環(huán)境有關系。在不同光線下其形象應該是有差別的。因此，我們想把概念的表示從向量提升成算符，做個升級?！?李劍鋒表示。
? ? ? ?據(jù)此想法，團隊創(chuàng)造性地提出用算子表示概念表示實體的思想。具體而言，用一個個子神經(jīng)網(wǎng)絡來表示一個個物理實體：網(wǎng)絡的輸入相當于物理實體所處的環(huán)境，網(wǎng)絡的輸出表示在此環(huán)境下物理實體展現(xiàn)的物理屬性。
? ? ? ?物理實體所處的環(huán)境再由其它實體的物理屬性聯(lián)合決定，通過這種自洽迭代形成物理屬性與環(huán)境的強關聯(lián)，從而極大地提高神經(jīng)網(wǎng)絡預測的準確性。該方法目前被運用于HP蛋白質(zhì)模型的預測與反向設計中，取得良好的效果；他們發(fā)現(xiàn)新方法特別適合解決涉及簡并度的問題。
? ? ? ? ? ? ? ? ? ? ??
? ? ? ?文章鏈接：https://journals.aps.org/prl/abstract/10.1103/PhysRevLett.123.108002
?
版權與免責聲明：本網(wǎng)頁的內(nèi)容由收集互聯(lián)網(wǎng)上公開發(fā)布的信息整理獲得。目的在于傳遞信息及分享，并不意味著贊同其觀點或證實其真實性，也不構成其他建議。僅提供交流平臺，不為其版權負責。如涉及侵權，請聯(lián)系我們及時修改或刪除。郵箱：sales@allpeptide.com