ЛЕНТА

Нейросеть научилась распознавать узлы в полимерах

Ученые проверили способность нейросетей классифицировать возникающие в химии полимеров узлы. Исследователи протестировали несколько различных архитектур, лучшая из которых показала правильное распознавание в 99 процентов случаев при анализе циклических молекул из ста сегментов. Такой точности уже сегодня достаточно для некоторых применений, а в случае прогресса в будущем нейросетевое определение узлов может стать полноценным методом как в случае физико-химических систем, так и в контексте математики, пишут авторы в журнале Physical Review E.

Узлы повсеместны в окружающей реальности, от спутавшихся в кармане наушников до альпинисткой обвязки. Они также возникают во многих разделах науки, в том числе в физике, химии и биологии. Например, бывают заузленные течения в жидкости, в узлы также скручиваются многие молекулы — в частности, белки и ДНК.

С точки зрения математики узел — это вложение окружности в трехмерное пространство, при этом одинаковые с точностью до непрерывных преобразований (без разрывов) узлы считаются эквивалентными. Известно, что задача о классификации узлов алгоритмически разрешима, но пока не придумано алгоритма полиномиальной сложности даже для распознавания тривиальных узлов, то есть обычных окружностей с точностью до деформаций.

Стандартный подход заключается в поиске топологических инвариантов, по которым можно отличить узлы. Здесь выделяются два направления: полиномиальные инварианты (Александера, Джонса и другие) и гомотопические инварианты (Хованова, Хегора — Флоера и другие). Однако все предложенные методы обладают недостатками. В частности, бесконечно много неодинаковых на самом деле узлов обладают одинаковым полиномом Александера, а гомотопии в общем случае нереалистично сложно подсчитать.

Исследователи из Китая и Сингапура под руководством Лян Дая (Liang Dai) из Городского университета Гонконга опробовали принципиально иной метод на основе нейросетей. В отличие от аналитических алгоритмов он не позволяет добиться абсолютной уверенности в ответе, но зато теоретически может работать в недоступных для других способов случаях. Авторы хотели проверить принципиальную возможность использования нейросетей для распознавания узлов, поэтому ограничились пятью разными узлами и двумя нейросетями.

Исследовали использовали нейросеть с прямой связью и рекуррентную нейросеть. Обучающей и тестовой выборкой были проведенные методом Монте-Карло симуляции конфигурации полимера в виде кольца из ста мономеров. В каждом случае тип узла определялся с помощью многочлена Александера, а для нейросетей выбиралось по 200 тысяч или 2 миллиона каждого из пяти видов получаемых узлов. В качестве дополнительного испытания нейросети также определяли тип узла у миллиона полимеров из 60 и 80 мономеров, которых не было в обучающей выборке.

Результаты обучения нейросетей

O. Vandans et al. / Physical Review E, 2020

Поделиться

Рекуррентная нейросеть во всех тестах показала себя лучше. Наивысшего результата удалось добиться в случае работы с суммарной выборкой в 2 миллиона полимеров длиной в сто элементов — выше 99 процентов. В то же время максимальная точность более простой нейросети с прямой связью составила всего немногим более 80 процентов. В целом ученые заключают, что их работа вселяет уверенность, что более сложные нейросети в случае наличия достаточно больших обучающих выборок смогут стать мощным инструментом по классификации узлов.Ранее ученые нашли среди миллионов молекулярных узлов шесть устойчивых, вывели прочность веревочного узла из его топологии и скрутили рекордно сложный молекулярный узел.

Тимур Кешелава

источник

Похожие статьи

Добавить комментарий

Ваш адрес email не будет опубликован.

Кнопка «Наверх»
Do NOT follow this link or you will be banned from the site!
Установите приложение MEGANEWS на Google Play
УСТАНОВИТЬ
Закрыть
Закрыть

Обнаружен Adblock

Поддержите нас, пожалуйста, отключив блокировку рекламы.