[論文レビュー] Artificial Intelligence for Science in Quantum, Atomistic, and Continuum Systems

Xuan Zhang, Limei Wang+61 more|arXiv (Cornell University)|Jul 17, 2023

Machine Learning in Materials Science被引用数 53

ひとこと要約

包括的で技術的に統一された「科学のためのAI」調査で、量子・原子論的・連続体系に焦点をあて、対称性・等変性・分野横断的課題を強調する。

ABSTRACT

Advances in artificial intelligence (AI) are fueling a new paradigm of discoveries in natural sciences. Today, AI has started to advance natural sciences by improving, accelerating, and enabling our understanding of natural phenomena at a wide range of spatial and temporal scales, giving rise to a new area of research known as AI for science (AI4Science). Being an emerging research paradigm, AI4Science is unique in that it is an enormous and highly interdisciplinary area. Thus, a unified and technical treatment of this field is needed yet challenging. This work aims to provide a technically thorough account of a subarea of AI4Science; namely, AI for quantum, atomistic, and continuum systems. These areas aim at understanding the physical world from the subatomic (wavefunctions and electron density), atomic (molecules, proteins, materials, and interactions), to macro (fluids, climate, and subsurface) scales and form an important subarea of AI4Science. A unique advantage of focusing on these areas is that they largely share a common set of challenges, thereby allowing a unified and foundational treatment. A key common challenge is how to capture physics first principles, especially symmetries, in natural systems by deep learning methods. We provide an in-depth yet intuitive account of techniques to achieve equivariance to symmetry transformations. We also discuss other common technical challenges, including explainability, out-of-distribution generalization, knowledge transfer with foundation and large language models, and uncertainty quantification. To facilitate learning and education, we provide categorized lists of resources that we found to be useful. We strive to be thorough and unified and hope this initial effort may trigger more community interests and efforts to further advance AI4Science.

研究の動機と目的

• 量子・原子論的・連続体系のAIに対する統一的な技術的取り扱いを提供する。
• AI4Scienceにおける対称性・解釈性・OOD一般化・不確実性などの共通課題を分析する。
• 量子力学・DFT・小分子・タンパク質・材料・分子相互作用・PDEsにわたる手法・データセット・ベンチマーク・今後の方向性を調査する。
• 対称性と群論がこれらの領域におけるモデル設計と学習を支えることを強調する。
• コミュニティ参加を促進する教育リソースとオンラインポータルを提供する。

提案手法

• 科学のAIにおける対称性と等変性の役割を説明・形式化する。
• スティアラブルカーネルとテンソル積を用いた等変ネットワークの一般的な定式化を提示する。
• 量子力学・DFT・小分子・タンパク質・材料・分子間相互作用・PDEsに対する領域特有のAI手法を、問題設定とベンチマークとともに調査する。
• 物理対称性を尊重するデータ・表現・アーキテクチャについて議論する（例：球関数を用いたSO(3)）。
• 解釈性・OOD一般化・不確実性定量化・基盤モデルを用いた知識移転に関する指針を提供する。

実験結果

リサーチクエスチョン

• RQ1 対称性・等変性・群論原理を、量子・原子論的・連続体系のAIモデルへどのように統合できるか。
• RQ2 AI4Scienceドメイン全体に共通する技術的課題（解釈性・OOD一般化・不確実性・基盤モデル）は何か、どう対処できるか。
• RQ3 量子力学・DFT・小分子・タンパク質・材料・分子間相互作用・PDEsにおける主要な手法・データセット・ベンチマークは何か。
• RQ4 基盤モデルおよび大規模言語モデルは科学のAIにおける発見をどのように加速し、教育とコミュニティ貢献を支えるリソースは何か。

主な発見

• AI4Scienceは対称性と等変性を組み込むことから恩恵を受け、物理法則に沿ったより強い帰納的バイアスを提供する。
• 量子・原子論的・連続体スケール全体の手法の統一的分類と調査が提供され、データセットとベンチマークへの明示的なリンクがある。
• 各分野の未解決の研究指針として、対称性破れ・近似等変・等変アーキテクチャの普遍性を含む。
• コミュニティリソースとオンラインポータル AIR4: AI Research for Science を紹介。
• 本研究は量子力学・DFT・分子科学・材料・PDE間の多尺度統合と分野横断的移転の可能性を強調する。