Artificial Intelligence for Science in Quantum, Atomistic, and Continuum Systems

要約

人工知能 (AI) の進歩は、自然科学における発見の新しいパラダイムを促進しています。
今日、AI は、幅広い空間的および時間的スケールでの自然現象の理解を改善、加速し、可能にすることで自然科学を進歩させ始めており、科学のための AI (AI4Science) として知られる新しい研究分野を生み出しています。
新しい研究パラダイムである AI4Science は、巨大かつ高度に学際的な領域であるという点で独特です。
したがって、この分野の統一的​​かつ技術的な扱いが必要とされていますが、それは困難です。
この研究は、AI4Science のサブエリアについて技術的に徹底的な説明を提供することを目的としています。
つまり、量子、原子、連続システム用の AI です。
これらの領域は、素粒子 (波動関数と電子密度)、原子 (分子、タンパク質、材料、相互作用) からマクロ (流体、気候、地下) スケールに至る物理世界を理解することを目的としており、AI4Science の重要なサブ領域を形成します。
これらの分野に焦点を当てることの独特の利点は、共通の課題を大部分共有しているため、統一された根本的な治療が可能になることです。
重要な共通の課題は、深層学習手法によって自然システムにおける物理の第一原理、特に対称性をどのように捉えるかということです。
対称変換に対する等分散性を達成するためのテクニックについて、詳細かつ直感的に説明します。
また、説明可能性、配布外の一般化、基礎および大規模言語モデルによる知識の伝達、不確実性の定量化など、他の一般的な技術的課題についても説明します。
学習と教育を促進するために、役立つと思われるリソースの分類されたリストを提供します。
私たちは徹底して統一するよう努めており、この最初の取り組みがコミュニティの関心をさらに高め、AI4Science をさらに前進させる取り組みを引き起こすことを願っています。

要約(オリジナル)

Advances in artificial intelligence (AI) are fueling a new paradigm of discoveries in natural sciences. Today, AI has started to advance natural sciences by improving, accelerating, and enabling our understanding of natural phenomena at a wide range of spatial and temporal scales, giving rise to a new area of research known as AI for science (AI4Science). Being an emerging research paradigm, AI4Science is unique in that it is an enormous and highly interdisciplinary area. Thus, a unified and technical treatment of this field is needed yet challenging. This work aims to provide a technically thorough account of a subarea of AI4Science; namely, AI for quantum, atomistic, and continuum systems. These areas aim at understanding the physical world from the subatomic (wavefunctions and electron density), atomic (molecules, proteins, materials, and interactions), to macro (fluids, climate, and subsurface) scales and form an important subarea of AI4Science. A unique advantage of focusing on these areas is that they largely share a common set of challenges, thereby allowing a unified and foundational treatment. A key common challenge is how to capture physics first principles, especially symmetries, in natural systems by deep learning methods. We provide an in-depth yet intuitive account of techniques to achieve equivariance to symmetry transformations. We also discuss other common technical challenges, including explainability, out-of-distribution generalization, knowledge transfer with foundation and large language models, and uncertainty quantification. To facilitate learning and education, we provide categorized lists of resources that we found to be useful. We strive to be thorough and unified and hope this initial effort may trigger more community interests and efforts to further advance AI4Science.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google