秋去冬來，北風(fēng)凜冽，科研人宅在實(shí)驗(yàn)室搗鼓實(shí)驗(yàn)；

寒來暑往，四季更替，計(jì)算人貓?jiān)陔娔X前撥弄數(shù)據(jù)！

1. Nature Machine Intelligence：條件位移下偏微分方程的深度遷移算子學(xué)習(xí)

遷移學(xué)習(xí)，能夠?qū)W(xué)習(xí)執(zhí)行一個(gè)任務(wù)(源)時(shí)獲得的知識(shí)，轉(zhuǎn)移到相關(guān)但不同的任務(wù)(目標(biāo))，從而解決數(shù)據(jù)采集和標(biāo)記的費(fèi)用、潛在的計(jì)算能力限制和數(shù)據(jù)集分布不匹配的問題。在此，為了解決這一挑戰(zhàn)，來自美國(guó)布朗大學(xué)的Somdatta Goswami & George Em Karniadakis和約翰霍普金斯大學(xué)的Katiana Kontolati & Michael D. Shields等研究者提出了一種基于深度算子網(wǎng)絡(luò)(DeepONet)的條件移位下的任務(wù)特定學(xué)習(xí)(偏微分方程中的函數(shù)回歸)的新的遷移學(xué)習(xí)框架。特定于任務(wù)的算子學(xué)習(xí)是通過使用混合損失函數(shù)微調(diào)目標(biāo)DeepONet的特定于任務(wù)的層來完成的，該函數(shù)允許匹配單個(gè)目標(biāo)樣本，同時(shí)還保留目標(biāo)數(shù)據(jù)條件分布的全局屬性。受條件嵌入算子理論的啟發(fā)，研究者通過將條件分布嵌入到再現(xiàn)核希爾伯特空間上，最小化標(biāo)記目標(biāo)數(shù)據(jù)與未標(biāo)記目標(biāo)數(shù)據(jù)上的代理預(yù)測(cè)之間的統(tǒng)計(jì)距離。研究者證明了該方法的優(yōu)勢(shì)，各種遷移學(xué)習(xí)場(chǎng)景涉及在不同的條件下的非線性偏微分方程，由于在幾何領(lǐng)域和模型動(dòng)力學(xué)的轉(zhuǎn)移。該遷移學(xué)習(xí)框架能夠快速高效地學(xué)習(xí)異構(gòu)任務(wù)，盡管源域和目標(biāo)域之間存在相當(dāng)大的差異。

參考文獻(xiàn)：

Goswami, S., Kontolati, K., Shields, M.D. et al. Deep transfer operator learning for partial differential equations under conditional shift.?Nat Mach Intell?(2022). https://doi.org/10.1038/s42256-022-00569-2

原文鏈接：

https://www.nature.com/articles/s42256-022-00569-2

2.Nature Communications：膠體形狀的五重和二十面體孿生簇的熵工程形成

由多重孿生晶體結(jié)構(gòu)誘導(dǎo)的五重和二十面體對(duì)稱已被廣泛研究，因?yàn)樗鼈冊(cè)谟绊懞铣杉{米顆粒形狀方面的作用，溶液化學(xué)或幾何限制被廣泛認(rèn)為是必不可少的。在此，來自美國(guó)密歇根大學(xué)的Marco W. Fraaije等研究者報(bào)告了分子模擬中純熵驅(qū)動(dòng)的五重和二十面體孿生粒子簇的形成，沒有幾何限制或化學(xué)。硬截?cái)嗨拿骟w根據(jù)邊緣和頂點(diǎn)截?cái)嗔康牟煌?，自組裝成立方或六邊形金剛石膠體晶體。通過設(shè)計(jì)粒子形狀，使兩個(gè)金剛石相之間的熵差可以忽略不計(jì)，研究表明，多孿晶團(tuán)簇的形成很容易被誘導(dǎo)。由強(qiáng)熵鍵引起的強(qiáng)液晶界面張力，使孿晶團(tuán)簇在致密流體中熵穩(wěn)定。該發(fā)現(xiàn)為粒子間有或沒有顯式鍵元的膠體系統(tǒng)中的孿生行為，提供了一種工程策略。

參考文獻(xiàn)：

Lee, S., Glotzer, S.C. Entropically engineered formation of fivefold and icosahedral twinned clusters of colloidal shapes.?Nat Commun?13, 7362 (2022). https://doi.org/10.1038/s41467-022-34891-5

原文鏈接：

https://www.nature.com/articles/s41467-022-34891-5

3.Nature Computational Science：用不可定義的邊緣能量定義二維晶體的形狀

晶體的平衡形狀是具有美學(xué)吸引力和實(shí)際重要性的基本性質(zhì)：形狀及其方面，控制著催化、發(fā)光、傳感、磁性和等離子體行為。它也是潛在的原子尺度力和化學(xué)組成的可見宏觀表現(xiàn)，最明顯的二維(2D)材料的強(qiáng)烈興趣。如果已知晶體表面/邊緣能量的不同方向，它的形狀可以通過幾何伍爾夫結(jié)構(gòu)得到，這是晶體物理學(xué)的一個(gè)原則；然而，如果缺乏對(duì)稱性，晶體邊緣能量就無法定義或計(jì)算，因此它的形狀變得難以捉摸，這對(duì)理論來說是一個(gè)無法克服的問題。在此，來自美國(guó)萊斯大學(xué)的Boris I. Yakobson等研究者，展示了如何通過精心規(guī)劃的計(jì)算，對(duì)一個(gè)獨(dú)特的晶體形狀進(jìn)行輔助邊緣能量的建設(shè)性預(yù)測(cè)。研究者對(duì)具有C2v對(duì)稱性的SnSe等具有挑戰(zhàn)性的材料進(jìn)行了演示，甚至對(duì)完全沒有對(duì)稱性的C1的AgNO2進(jìn)行了演示。

參考文獻(xiàn)：

Wang, L., Shirodkar, S.N., Zhang, Z. et al. Defining shapes of two-dimensional crystals with undefinable edge energies.?Nat Comput Sci?2, 729–735 (2022). https://doi.org/10.1038/s43588-022-00347-5

原文鏈接：

https://www.nature.com/articles/s43588-022-00347-5

4.Nature Computational Science：周期表的通用圖深度學(xué)習(xí)原子間勢(shì)

原子間勢(shì)(IAPs)描述原子的勢(shì)能面，是原子模擬的基本輸入。然而，現(xiàn)有的IAPs要么只適用于狹窄的化學(xué)領(lǐng)域，要么對(duì)一般應(yīng)用來說太不準(zhǔn)確。在此，來自美國(guó)加州大學(xué)圣迭戈分校的Chi Chen & Shyue Ping Ong等研究者報(bào)告了一個(gè)基于具有三體相互作用的圖神經(jīng)網(wǎng)絡(luò)(M3GNet)的通用IAP。M3GNet IAP是在材料項(xiàng)目，在過去十年中進(jìn)行的大規(guī)模結(jié)構(gòu)松弛數(shù)據(jù)庫上進(jìn)行訓(xùn)練的，在不同化學(xué)空間的結(jié)構(gòu)松弛、動(dòng)態(tài)模擬和材料性能預(yù)測(cè)方面具有廣泛的應(yīng)用。從3100萬種假設(shè)晶體結(jié)構(gòu)中篩選出的約180萬種材料，被確定為與現(xiàn)有材料項(xiàng)目基于M3GNet能量的晶體相比具有潛在的穩(wěn)定性。在凸包以上能量最低的前2000種材料中，使用密度泛函理論計(jì)算驗(yàn)證了1578種材料是穩(wěn)定的。

參考文獻(xiàn)：

Chen, C., Ong, S.P. A universal graph deep learning interatomic potential for the periodic table.?Nat Comput Sci?2, 718–728 (2022). https://doi.org/10.1038/s43588-022-00349-3

原文鏈接：

https://www.nature.com/articles/s43588-022-00349-3#citeas

5.Nature Computational Science：實(shí)驗(yàn)量子對(duì)抗學(xué)習(xí)與可編程超導(dǎo)量子比特

量子計(jì)算，有望增強(qiáng)機(jī)器學(xué)習(xí)和人工智能。然而，最近的理論工作表明，與基于深度經(jīng)典神經(jīng)網(wǎng)絡(luò)的傳統(tǒng)分類器類似，量子分類器也會(huì)受到對(duì)抗性擾動(dòng)的影響。在此，來自清華大學(xué)的Dong-Ling Deng &?浙江大學(xué)的Chao Song & H. Wang等研究者報(bào)告了，一個(gè)實(shí)驗(yàn)演示的量子對(duì)抗學(xué)習(xí)與可編程超導(dǎo)量子位。研究者訓(xùn)練量子分類器，它建立在變分量子電路上，由10個(gè)傳輸量子比特組成，平均壽命為150μs，同時(shí)單量子比特門和雙量子比特門的平均保真度分別高于99.94%和99.4%，同時(shí)使用現(xiàn)實(shí)生活中的圖像(例如醫(yī)學(xué)磁共振成像掃描)和量子數(shù)據(jù)。研究者證明，這些訓(xùn)練良好的分類器(測(cè)試準(zhǔn)確率高達(dá)99%)實(shí)際上可以被小的對(duì)抗性擾動(dòng)所欺騙，而對(duì)抗性訓(xùn)練過程將大大增強(qiáng)它們對(duì)此類擾動(dòng)的魯棒性。

參考文獻(xiàn)：

Ren, W., Li, W., Xu, S. et al. Experimental quantum adversarial learning with programmable superconducting qubits.?Nat Comput Sci?2, 711–717 (2022). https://doi.org/10.1038/s43588-022-00351-9

原文鏈接：

https://www.nature.com/articles/s43588-022-00351-9