可微分分子模拟控制与学习

Feb, 2020

Differentiable Molecular Simulations for Control and Learning

Wujie Wang, Simon Axelrod, Rafael Gómez-Bombarelli

TL;DR本研究介绍了一种基于可微分模拟的方法，该方法可以通过参数化哈密顿量以推断宏观模型和开发控制协议的方式，将模拟系统的紧急属性与给定目标相匹配。

Abstract

molecular dynamics simulations use statistical mechanics at the atomistic scale to enable both the elucidation of fundamental mechanisms and the engineering of matter for desired tasks. The behavior of molecular systems at the microscale is typically simulated with differential equatio

molecular dynamics simulations hamiltonian target observables macroscopic models control protocols

发现论文，激发创造

量子概率哈密顿学习用于生成建模和异常检测

本研究探讨了学习和利用孤立量子力学系统的哈密顿量及其变分热态估计进行数据分析技术的可能性，并使用量子哈密顿基模型的方法进行产生建模，证明可以用混合态表示这样的大型强子对撞机数据。在进一步步骤中，我们将学习到的哈密顿量用于异常检测，表明不同样本类型一旦被视为量子多体系统，就可以形成不同的动力行为。利用这些特征来量化样本类型之间的差异。我们的研究结果表明，设计用于场论计算的方法可以在机器学习应用中加以利用，以将理论方法应用于数据分析技术。

Nov, 2022

通过微观模拟决定 “粗糙方程” 的性质：婴儿浴水方案

该论文介绍了一种基于微观模拟和样本统计的方法，用于推断多尺度计算中缺失的粗略方程及其相关信息，该方法可应用于多种边界条件和守恒方程，并有望成为多尺度计算的一个重要环节。

Dec, 2002

用分子力场进行可微转角采样

本文介绍一种基于神经网络的 Boltzmann 生成器，以取代传统 molecular dynamics 方法，加速复杂大分子如蛋白质的能量表面探索。

Feb, 2023

通过元学习识别哈密顿系统的物理规律

使用基于数据的元学习算法可以识别控制由相同物理定律支配的哈密顿体系的物理规律，无需进行数学假设。在多种物理系统上验证我们的方法可以识别哈密顿共享表达式。

Feb, 2021

发现自然定律的机器学习

提出一种基于达尔文自然选择原理的计算模型，通过决策树和值函数树重建实体的轨迹，提供了一种通过机器学习学习观测历史数据、发现自然法则的算法模型。