[论文解读] 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 53

一句话总结

一个全面、技术上统一的面向科学的 AI 调研，聚焦于量子、原子尺度和连续系统，强调对称性、等变性以及跨领域挑战。

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.

研究动机与目标

• 提供对量子、原子尺度和连续系统的 AI 的统一技术性处理。
• 分析 AI4Science 中对称性、可解释性、OOD 泛化和不确定性等共同挑战。
• 在量子力学、密度泛函理论、小分子、蛋白质、材料、分子相互作用和偏微分方程等领域调查方法、数据集、基准和开放方向。
• 强调对称性与群论如何支撑这些领域的模型设计与学习。
• 提供教育资源和一个在线门户，以促进社区参与。

提出的方法

• 解释并形式化对称性与等变性在科学 AI 中的作用。
• 通过可定向核和张量积给出等变网络的一般表述。
• 针对量子力学、DFT、小分子、蛋白质、材料、分子相互作用和 PDE 的领域特定 AI 方法，给出问题设定与基准的综述。
• 讨论符合物理对称性的数据、表示与体系结构（如通过球面谐波的 SO(3)）。
• 就可解释性、OOD 泛化、不确定性量化以及通过基础模型进行知识迁移等方面提供指南。

实验结果

研究问题

• RQ1 如何将对称性、等变性和群论原理整合到量子、原子尺度和连续系统的 AI 模型中？
• RQ2 AI4Science 领域中共性技术挑战（可解释性、OOD 泛化、不确定性、基础模型）有哪些，以及如何应对？
• RQ3 在量子力学、DFT、小分子、蛋白质、材料、分子相互作用和 PDE 方面的关键方法、数据集和基准有哪些？
• RQ4 基础模型和大语言模型如何加速科学 AI 的发现，以及哪些资源可支持教育和社区贡献？

主要发现

• AI4Science 受益于嵌入对称性和等变性，提供与物理定律对齐的更强归纳偏置。
• 提供了跨量子、原子尺度和连续尺度方法的统一分类与综述，并明确链接到数据集和基准。
• 为每个领域确定了开放的研究方向，包括对称性破缺、近似等变性以及等变架构的普适性。
• 引入社区资源和一个在线门户（AIR4: AI Research for Science），以支持持续学习和贡献。
• 该工作强调量子力学、DFT、分子科学、材料和 PDE 之间的多尺度整合与跨域迁移潜力。