点击上方蓝字了解更多计算与STEM领域研究前沿
以下摘自诺贝尔奖官网：
诺贝尔化学奖
2024年诺贝尔化学奖是关于蛋白质的，蛋白质是生命中巧妙的化学工具。大卫·贝克成功地完成了几乎不可能完成的构建全新蛋白质的壮举。Demis Hassabis和John Jumper开发了一个人工智能模型来解决一个50年前的问题：预测蛋白质的复杂结构。这些发现具有巨大的潜力。
生命的多样性证明了蛋白质作为化学工具的惊人能力。它们控制和驱动所有的化学反应，这些反应共同构成了生命的基础。蛋白质还充当激素、信号物质、抗体和不同组织的构建块。
诺贝尔化学委员会主席海纳·林克说：“今年被认可的发现之一是构建壮观的蛋白质。另一个是实现一个50年的梦想：从氨基酸序列预测蛋白质结构。这两个发现都开辟了巨大的可能性。”。
蛋白质通常由20种不同的氨基酸组成，它们可以被描述为生命的基石。2003年，David Baker成功地利用这些模块设计了一种不同于其他任何蛋白质的新蛋白质。从那时起，他的研究小组创造了一个又一个富有想象力的蛋白质，包括可用作药物、疫苗、纳米材料和微型传感器的蛋白质。
第二个发现涉及蛋白质结构的预测。在蛋白质中，氨基酸以长串的形式连接在一起，折叠形成三维结构，这对蛋白质的功能至关重要。自20世纪70年代以来，研究人员一直试图从氨基酸序列中预测蛋白质结构，但这是出了名的困难。然而，四年前，有一个惊人的突破。
2020年，Demis Hassabis和John Jumper提出了一个名为AlphaFold2的人工智能模型。在它的帮助下，他们已经能够预测研究人员鉴定出的几乎所有2亿种蛋白质的结构。自突破以来，AlphaFold2已被来自190个国家的200多万人使用。在众多科学应用中，研究人员现在可以更好地了解抗生素耐药性，并创建可以分解塑料的酶的图像。
没有蛋白质，生命就不可能存在。我们现在可以预测蛋白质结构并设计自己的蛋白质，这给人类带来了最大的好处。
诺贝尔物理学奖
今年的两位诺贝尔物理学奖获得者使用了物理学的工具来开发方法，这些方法是当今强大的机器学习的基础。John Hopfield创造了一种联想记忆，可以存储和重建数据中的图像和其他类型的模式。Geoffrey Hinton发明了一种可以自主查找数据属性的方法，从而执行识别图片中特定元素等任务。
当我们谈论人工智能时，我们通常指的是使用人工神经网络的机器学习。这项技术最初是受大脑结构的启发。在人工神经网络中，大脑的神经元由具有不同值的节点表示。这些节点通过连接相互影响，这些连接可以比作突触，可以变得更强或更弱。例如，通过在同时具有高值的节点之间建立更强的连接来训练网络。今年的获奖者从20世纪80年代开始就对人工神经网络进行了重要的研究。
John Hopfield发明了一种网络，它使用一种保存和重新创建模式的方法。我们可以把节点想象成像素。Hopfield网络利用物理学来描述材料因其原子自旋而产生的特性，这种特性使每个原子都成为一个微小的磁体。整个网络的描述方式相当于物理学中自旋系统的能量，并通过找到节点之间的连接值进行训练，以使保存的图像具有较低的能量。当Hopfield网络收到失真或不完整的图像时，它会有条不紊地通过节点并更新其值，从而使网络的能量下降。因此，网络逐步工作，找到最像它收到的不完美图像的保存图像。
Geoffrey Hinton使用Hopfield网络作为使用不同方法的新网络的基础：玻尔兹曼机。这可以学习识别给定类型数据中的特征元素。Hinton使用了统计物理学的工具，统计物理学是一门由许多类似组件构建的系统科学。通过向机器提供机器运行时很可能出现的示例来训练机器。玻尔兹曼机器可用于对图像进行分类，或创建训练模式类型的新示例。Hinton在这项工作的基础上，帮助启动了当前机器学习的爆炸性发展。
诺贝尔物理学委员会主席Ellen Moons说：“获奖者的工作已经带来了最大的好处。在物理学中，我们在广泛的领域使用人工神经网络，例如开发具有特定性能的新材料。”。
似乎给人一种人工智能时代来临，传统的数学、物理、力学都没用了，以后都人工智能就可以了。
包括人工智能的方法已经进入到了物理和力学的领域，也催生出了数据驱动这一科学研究范式。
但就目前的科学研究而言，笔者还是不假思索地问一个问题：
如果把足够多的数据都计算出来，结合当前先进的人工神经网络就可以准确做出预测
那为什么你要计算那么多的数值模拟？你只做你需要的模型不就好了吗？
如果一定要在数值模拟中大量使用人工智能，成为超越甚至是取代数值计算的地位，那就必须是人工智能可以通过类似数值计算的方式求解控制方程。
如果上面说的能够做到，那确实算的又快又准，相比较于数值模拟有相当的优越性。
但问题是，目前的数据驱动力学都只是做一些微小的调整，很少有能够主动学习数值求解控制方程的神经网络。
结论就是：
与其学习数据驱动力学的计算范式，不如提出能够学习数值分析方法（例如物质点法，有限元法，光滑粒子流体动力学）等算法的神经网络。
所以，正确的逻辑应该是：
提出会学习计算力学算法的神经网络
部署模型，并给予不同的计算力学算法，让其不断学习物理问题的数值解
直到看到一个力学问题就知道答案是什么
所以，问题归根到底：
不是科学已死，离不开人工智能，而是科学目前的理论深度还需要进一步加强并且应用到人工智能当中。
如果你觉得此文对你有帮助，请点赞，谢谢！
计算机技术在科学&技术&工程&数学中得到了广泛的应用，力学方面，计算机技术成为了科学的第四次革命性技术，现在基于计算机的数据科学已经逐步成为力学等其他科学发现的第四范式。人工智能、大数据、数字孪生等概念已经逐步成为当今时代的主题。智能制造、智能算法、数据驱动力学、大语言模型、自动驾驶在当今社会展现出巨大潜力，吸引了大量的研究人员。同时高性能显卡和多核中央处理器的出现为大规模数值模型的高性能计算提供了强大算力。公众号为力学相关行业的爱好者、教育人士和从业者提供一个平台，希望能通过自己对前沿研究、技术培训和知识、经验的整理、分享带给相关读者一些启发和帮助。
STEM与计算机方法
扫一扫二维码关注本公众号
