详细内容或原文请订阅后点击阅览
用于药物设计的新人工智能模型为预测带来了更多物理知识
当机器学习用于提出新的潜在科学见解或方向时，算法有时会提供物理上不合理的解决方案。
来源:英国物理学家网首页当机器学习用于提出新的潜在科学见解或方向时，算法有时会提供物理上不合理的解决方案。
以 AlphaFold 为例，该 AI 系统可以预测氨基酸链折叠成 3D 蛋白质结构的复杂方式。该系统有时会建议“非物理”折叠——根据物理定律，这种配置是难以置信的——特别是当被要求预测与其训练数据显着不同的链的折叠时。
物理定律 训练数据为了限制药物设计领域中的这种非物理结果，加州理工学院计算和数学科学布伦教授 Anima Anandkumar 和她的同事引入了一种名为 NucleusDiff 的新机器学习模型，该模型将简单的物理概念融入到训练中，极大地提高了算法的性能。
Anandkumar 和她的同事在一篇论文中描述了 NucleusDiff，该论文是发表在《美国国家科学院院刊》上的“化学中的机器学习”专题的一部分。
纸张 小分子“如果我们纯粹依赖训练数据，我们不希望机器学习能够在与训练数据显着不同的示例上发挥良好作用，”Anandkumar 说。
机器学习 更多信息：