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

要約

人工知能（AI）の進歩は、自然科学の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自然現象の理解を改善、加速、および可能にすることにより、自然科学を前進させ始めました。
新興の研究パラダイムであるAI4Scienceは、巨大で非常に学際的な分野であるという点でユニークです。
したがって、この分野の統一された技術的な扱いが必要ですが、挑戦的です。
この作業は、AI4Scienceのサブレアの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、および連続体システムのAI。
これらの領域は、物理的世界を亜原子（波動関数と電子密度）、原子（分子、タンパク質、材料、および相互作用）から、マクロ（流体、気候、地下）スケールに拡大し、AI4サイエンスの重要なサブエリアを形成することを目的としています。
これらの分野に焦点を当てるというユニークな利点は、それらが主に一連の課題を共有し、それによって統一された基礎的な治療を可能にすることです。
重要な一般的な課題は、深い学習方法による自然システムにおける物理学の第一原理、特に対称性をどのようにキャプチャするかです。
対称的な変換との等寛容を達成するための技術の詳細で直感的な説明を提供します。
また、説明可能性、分散除外の一般化、基礎と大規模な言語モデルによる知識移転、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、有用であると判断したリソースの分類されたリストを提供します。
私たちは徹底的かつ統一されるよう努め、この最初の努力がAI4Scienceをさらに進めるためのより多くのコミュニティの関心と努力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