[논문 리뷰] Artificial Intelligence for Science in Quantum, Atomistic, and Continuum Systems

Xuan Zhang, Limei Wang외 61명|arXiv (Cornell University)|2023. 07. 17.

Machine Learning in Materials Science인용 수 53

한 줄 요약

AI for science의 기술적으로 통합된 포괄적 설문으로, 양자, 원자적 시스템 및 연속체 시스템에 중점을 두고 대칭성, 등변성, 그리고 교차 도메인 과제에 초점을 맞춘다.

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.

연구 동기 및 목표

• 양자, 원자적 및 연속체 시스템에 대한 AI를 위한 기술적으로 통합된 치료를 제공한다.
• AI4Science에서의 대칭성, 해석가능성, OOD 일반화, 불확실성 등 공통 도전 과제를 분석한다.
• 양자역학, DFT, 소분자, 단백질, 재료, 분자 상호 작용, PDE에 걸친 방법론, 데이터셋, 벤치마크 및 개방적 방향을 조사한다.
• 이들 도메인에서 모델 설계와 학습의 기본이 되는 대칭성 및 군(group) 이론의 역할을 강조한다.
• 커뮤니티 참여를 촉진하기 위한 교육 자원과 온라인 포털을 제공한다.

제안 방법

• 과학을 위한 AI에서 대칭성 및 등변성의 역할을 설명하고 형식화한다.
• 회전가능한 커널과 다중텐서곱을 통한 등변 네트워크의 일반적 형식을 제시한다.
• 문제 설정과 벤치마크를 포함하여 양자역학, DFT, 소분자, 단백질, 재료, 분자 상호 작용, PDE에 대한 도메인 특화 AI 방법론을 조사한다.
• 물리적 대칭성(SO(3), 구면조화함수 등)을 존중하는 데이터, 표현 및 아키텍처(예: SO(3))에 대해 논의한다.
• 기초 모델을 활용한 해석가능성, OOD 일반화, 불확실성 정량화, 지식 이전에 대한 지침을 제공한다.

실험 결과

연구 질문

• RQ1 대칭성, 등변성 및 군 이론 원칙을 양자, 원자적 및 연속체 시스템용 AI 모델에 어떻게 통합할 수 있는가?
• RQ2 AI4Science 도메인 전반에서 공통적으로 나타나는 기술적 도전(해석가능성, OOD 일반화, 불확실성, 기초 모델)은 무엇이며 이를 어떻게 해결할 수 있는가?
• RQ3 양자역학, DFT, 소분자, 단백질, 재료, 분자 상호 작용, PDE에 걸친 핵심 방법, 데이터셋 및 벤치마크는 무엇인가?
• RQ4 과학용 AI에서 기초 및 대형 언어 모델이 발견을 어떻게 가속화할 수 있으며 교육 및 커뮤니티 기여를 지원하는 자원은 무엇인가?

주요 결과

• AI4Science는 대칭성 및 등변성을 내재화함으로써 물리 법칙에 부합하는 강한 귀납 바이어스를 제공한다.
• 양자, 원자적 및 연속체 규모에 걸친 방법의 통합 분류체계와 설문이 제공되며, 데이터셋 및 벤치마크에 대한 명시적 연결이 포함된다.
• 각 영역에서의 대칭성 파손, 근사 등변성, 등변 아키텍처의 일반성 등 새로운 연구 방향이 식별된다.
• 학습 지속 및 기여를 지원하기 위한 커뮤니티 자원과 온라인 포털(AIR4: AI Research for Science)이 소개된다.
• 본 연구는 양자역학, DFT, 분자 과학, 재료, PDE 간의 다중 규모 통합 및 교차 도메인 전이 가능성을 강조한다.