ニューラルネットワークは、ポリマーのノードを認識することを学びました

ビデオ: ニューラルネットワークは、ポリマーのノードを認識することを学びました

ビデオ: Deep Learning入門:ニューラルネットワーク学習の仕組み 2022, 12月
ニューラルネットワークは、ポリマーのノードを認識することを学びました
ニューラルネットワークは、ポリマーのノードを認識することを学びました
Anonim
Image
Image

科学者たちは、高分子化学で発生するノードを分類するニューラルネットワークの能力をテストしました。研究者はいくつかの異なるアーキテクチャをテストしましたが、そのうちの最良のものは、100セグメントの環状分子を分析するときに99%の時間で正しい認識を示しました。この精度は、今日の一部のアプリケーションではすでに十分であり、将来の進歩の場合、ニューラルネットワークノードの決定は、物理化学システムの場合と数学のコンテキストの両方で本格的な方法になる可能性があります、著者はジャーナルに書いていますフィジカルレビューE。

結び目は、ポケットに絡まったヘッドホンから登山者のハーネスまで、周囲の現実に遍在しています。それらは、物理学、化学、生物学など、科学の多くの分野にも登場します。たとえば、液体には結び目のある流れがあり、多くの分子、特にタンパク質やDNAも結び目になっています。

数学の観点からは、ノットは3次元空間に円を埋め込むことですが、連続変換(中断なし)まで同一のノットは同等と見なされます。ノードの分類の問題はアルゴリズム的に解決可能であることが知られていますが、自明なノード、つまり変形までの通常の円を認識する場合でも、多項式の複雑さのアルゴリズムはまだ発明されていません。

標準的なアプローチは、ノードを区別できる位相不変量を見つけることです。ここでは、多項式不変量(Alexander、Jonesなど)とホモトピー不変量(Khovanov、Heegaard-Floerなど)の2つの方向が区別されます。ただし、提案されたすべての方法には欠点があります。特に、アレクサンダー多項式を使用すると、無限に多くの不等ノットが区別できなくなり、一般的な場合のホモトピーを計算するのは非現実的に困難になります。

香港城市大学のLiangDaiが率いる中国とシンガポールの研究者は、根本的に異なるニューラルネットワークベースの方法をテストしました。分析アルゴリズムとは異なり、答えに絶対的な信頼を置くことはできませんが、理論的には、他の方法にアクセスできない場合に機能します。著者は、ニューラルネットワークを使用してノードを認識する基本的な可能性をテストしたかったので、5つの異なるノードと2つのニューラルネットワークに制限しました。

研究者は、フィードフォワードニューラルネットワークとリカレントニューラルネットワークを使用しました。トレーニングとテストセットは、100個のモノマーのリングの形のポリマーの構成のモンテカルロシミュレーションでした。いずれの場合も、ノードのタイプはアレクサンダー多項式を使用して決定され、ニューラルネットワークの場合、取得された5つのタイプのノードのそれぞれから20万または200万が選択されました。追加のテストとして、ニューラルネットワークは、トレーニングセットに含まれていなかった60および80モノマーの100万個のポリマーのノードのタイプも決定しました。

Image
Image

ニューラルネットワークトレーニングの結果

リカレントニューラルネットワークは、すべてのテストでパフォーマンスが向上しました。最良の結果は、100要素の長さ(99%以上)の合計200万個のポリマーのサンプルで作業したときに達成されました。同時に、より単純なフィードフォワードニューラルネットワークの最大精度は80%をわずかに超えていました。一般に、科学者は、彼らの研究は、十分に大きなトレーニングサンプルがある場合、より複雑なニューラルネットワークがノードを分類するための強力なツールになり得るという自信を植え付けると結論付けています。

トピックによって人気があります

人気の投稿