Các nhà khoa học pháp triển phương pháp học sâu để giải quyết vấn đề cơ bản trong vật lý thống kê

Một nhóm các nhà khoa học tại trường đại học Freie Universität Berlin đã phát triển phương pháp Trí tuệ nhân tạo (AI) cung cấp giải pháp mới về “vấn đề chọn mẫu” trong vật lý thống kê. Chọn mẫu mang tính chất quan trọng trong vật liệu và phân tử thực tế không thể được tính toán bằng cách mô phỏng trực tiếp chuyển động của các nguyên tử qua máy tính vì khả năng tính toán quá lớn ngay cả đối với siêu máy tính. Do đó, nhóm nghiên cứu đã phát triển một phương pháp học sâu giúp tăng tốc các tính toán này một cách ồ ạt, khiến chúng trở nên khả thi cho các ứng dụng khó hiểu trước đây. “AI đang thay đổi tất cả các lĩnh vực trong cuộc sống của chúng ta, bao gồm cả cách chúng ta nghiên cứu khoa học”, Tiến sĩ Frank Noé,  giáo sư trường đại học Freie Universität Berlin, tác giả chính của nghiên cứu giải thích. Cách đây vài năm, phương pháp học sâu đã phát triển vượt trội trong việc nhận dạng mẫu, có thể là trong việc đọc các văn bản viết tay hoặc nhận ra các tế bào ung thư từ hình ảnh y tế. Kể từ những đột phá này, nghiên cứu AI đã tăng vọt, “Mỗi ngày, chúng ta thấy những phát triển mới trong các lĩnh vực đã được ứng dụng thay cho các phương pháp truyền thống khiến chúng ta bị mắc kẹt trong nhiều năm. Chúng tôi tin rằng cách tiếp cận của chúng tôi có thể là một bước tiến như vậy cho lĩnh vực vật lý thống kê”.

Vật lý thống kê nhằm mục đích tính toán các tính chất của vật liệu hoặc phân tử dựa trên sự tương tác của các thành phần cấu thành chúng. Có thể đó là nhiệt độ nóng chảy của kim loại, hoặc một loại kháng sinh có thể liên kết với các phân tử của vi khuẩn và từ đó vô hiệu hóa nó. Với các phương pháp thống kê, các tính chất như vậy có thể được tính trong máy tính. Các tính chất của vật liệu hoặc hiệu quả của một loại thuốc cụ thể có thể được cải thiện. Một trong những vấn đề chính khi thực hiện tính toán này là chi phí tính toán khổng lồ, Simon Olsson, đồng tác giả của nghiên cứu giải thích: “Về nguyên tắc, chúng tôi sẽ phải xem xét mọi cấu trúc đơn lẻ, nghĩa là tìm mọi cách để định vị tất cả các nguyên tử trong không gian, tính toán xác suất của nó, và sau đó lấy trung bình của chúng. Nhưng điều này là không thể thực hiện bởi vì số lượng cấu trúc có thể lớn về mặt thiên văn ngay cả đối với các phân tử nhỏ. Do đó, cách tiếp cận thông thường là mô phỏng chuyển động và biến động của các phân tử, do vậy chỉ chọn mẫu các cấu trúc đó. Tuy nhiên, các mô phỏng như vậy thường rất lớn về mặt tính toán đến mức chúng không thể thực hiện được ngay cả trên các siêu máy tính. Đây là vấn đề chọn mẫu”.

Phương pháp AI của nhóm của Giáo sư Noé là một cách tiếp cận hoàn toàn mới đối với vấn đề chọn mẫu. “Thay vì mô phỏng chuyển động của các phân tử theo từng bước nhỏ, chúng tôi tìm thấy các cấu trúc có xác suất cao trực tiếp và để lại số lượng lớn hơn các cấu trúc xác suất thấp phía sau. Sau đó, các tính toán sẽ ít tốn kém”, Noé giải thích về chìa khóa để thực hiện phương pháp Al”. Jonas Köhler, chuyên gia về phương pháp học máy, một đồng tác giả khác của nghiên cứu giải thích cách tiếp cận với một ví dụ: “Hãy tưởng tượng bạn đặt một giọt mực vào bồn tắm chứa đầy nước. Giọt mực chảy ra và hòa với nước. Bây giờ chúng tôi muốn tìm các phân tử mực. Nếu chúng tôi làm điều đó bằng cách chọn ngẫu nhiên các phân tử từ bồn tắm, điều này sẽ rất kém hiệu quả, chúng tôi sẽ phải làm trống hoàn toàn bồn để tìm tất cả mực. Thay vào đó, sử dụng AI, chúng tôi biết được dòng chảy nước phân phối mực theo thời gian như một mạng lưới thần kinh không thể đảo ngược. Với mạng như vậy, chúng ta có thể đảo ngược dòng chảy, về cơ bản là đảo ngược thời gian. Từ đó tìm thấy tất cả các phân tử mực, mà không phải tìm kiếm phần còn lại trong bồn tắm.

Vẫn còn nhiều thách thức phải giải quyết trước khi phương pháp của nhóm Noé sẵn sàng để sử dụng trong các ứng dụng công nghiệp. “Đây là nghiên cứu cơ bản”, Noé giải thích, “nhưng đó là một cách tiếp cận hoàn toàn mới cho một vấn đề cũ. Từ đó mở ra cơ hội cho nhiều phát triển mới mà chúng tôi mong muốn được nhìn thấy trong những năm tới”.

Phạm Hạnh (dịch)

Nguồn: https://phys.org/news/2019-09-scientists-deep-method-fundamental-problem.html