张红东课题组在深度学习与物理研究交叉领域提出全新概念表征方法

haha

复旦大学高分子科学系张红东教授、李剑锋副教授与加拿大滑铁泸大学陈征宇教授合作，在深度学习与物理研究交叉领域取得新进展，提出了一种全新的概念表征方法。近日，研究成果以《用强关联神经网络进行结构预测与反向设计》（“Structural Prediction and Inverse Design by a Strongly Correlated Neural Network”）为题发表于《物理评论快报》(Physical Review Letters 123, 2019, 108002)。

       将深度学习或神经网络运用于研究自然语言或其它学科时，首先需要对涉及的一些概念（词或物理实体）进行恰当的、充分的表征。之前，人们大多采用静态热点表征（One-Hot Encoding）或向量表征(Vector Representation)，此两种表征方式虽可描述概念的特征，却不能反映环境对其属性之影响，亦不能体现概念的功能。

       “因此，我常在想：大脑是不是真的用一个静态的向量来表达概念与物理实体呢？我觉得不一定，比如我们说自行车时，这个概念本身它应该自带‘构造’，另外它跟环境有关系。在不同光线下其形象应该是有差别的。因此，我们想把概念的表示从向量提升成算符，做个升级。” 李剑锋表示。

       据此想法，团队创造性地提出用算子表示概念表示实体的思想。具体而言，用一个个子神经网络来表示一个个物理实体：网络的输入相当于物理实体所处的环境，网络的输出表示在此环境下物理实体展现的物理属性。

       物理实体所处的环境再由其它实体的物理属性联合决定，通过这种自洽迭代形成物理属性与环境的强关联，从而极大地提高神经网络预测的准确性。该方法目前被运用于HP蛋白质模型的预测与反向设计中，取得良好的效果；他们发现新方法特别适合解决涉及简并度的问题。

                     
       文章链接：https://journals.aps.org/prl/abs ... sRevLett.123.108002

张东红，复旦大学教授。1985-1989 复旦大学 高分子学士  1989-1992 复旦大学 高分子硕士  1995-1999 复旦大学 高分子博士  1994-1998 复旦大学 助 教  1998-2006 复旦大学 讲 师  2006-至今 复旦大学 副教授、教授。研究领域：高分子化学与物理中的理论和模拟 多相高分子复杂流体分相动力学与力学性能的理论研究 软粒子的形状、形态及性能

李剑锋，复旦大学聚合物分子工程国家重点实验室副教授。2009年获复旦大学博士学位，曾于2007-2009年作为国家公派研究生访问加拿大McMaster大学。2010-2012年在复旦大学物理系做博士后。2012-2013年留任讲师，2013年晋升副教授。研究兴趣：高分子材料基础研究与产业化;生物膜形变的理论模拟计算；人工智能与大脑的物理模型构建。主要贡献：改进了生物细胞形变的模拟算法；率先将自洽场方法拓展至普通曲面；提出了大脑一个基本物理模型，并据此发表了专著《沉默的艺术》。已在Advanced Material, Nano Letter, Soft Matter等杂志发表近30篇SCI论文。