信息发布

NEWS AND EVENTS

平台动态/最新公告 学术动态 业界动态/赛事

美国国防先期研究计划局计划利用人工智能增强军事战略规划

[据军事嵌入式系统网站2020年8月13日报道]诺斯罗普·格鲁曼公司赢得了美国国防先期研究计划局(DARPA)战略技术办公室(STO)的“必杀绝技”(Gamebreaker)项目合同。该项目旨在开发并将人工智能(AI)应用到现有的实时战略游戏中,以打破复杂的模型或平衡。诺斯罗普·格鲁曼公司将利用这一机会评估和开发有关技术,改善在运行动态环境产品时,灵活规划、优化和发现等技术的表现。诺斯罗普·格鲁曼公司的“必杀绝技”团队包括Hazardou软件公司和Slitherine软件公司的Matrix游戏公司。他们将进行密切的合作,使用先进的人工智能技术,在一个名为“命令:现代作战”的高度复杂的模拟器环境中建模并打破其平衡。Hazardous软件公司(HSI)创造了一种能够使人们在不确定的环境中进行战略操作的技术,这种环境既包括游戏,也包括模拟或是真实事件。Hazardous软件公司通过与Diveplane公司合作,利用后者在反事实推理和可解释的人工智能方面的优势,不断对该技术进行完善。Matrix游戏公司专门从事基于商用现成技术(COTS)的物理学模拟和战略视频游戏。他们通过认真的研究和开发,将商业模拟转化为了现代化的强大程序,从而能够复制复杂的军事行动,并能够模拟从战术和作战到分析的全过程。(国家工业信息安全发展研究中心 刘彧宽)
2020-11-25查看详情

DeepMind开源薛定谔方程求解程序

晓查 发自 凹非寺量子位 报道 | 公众号 QbitAI只要解出薛定谔方程,你就能预测分子的化学性质。但现实很骨感,迄今为止,科学家只能精确求解一个电子的氢原子,即使是只有两个电子的氦原子都无能为力。原因是有两个以上电子组成的薛定谔方程实在太复杂,根本无法精确求解。既然找不到精确解,科学家们希望能找到一种实用的近似解求法,只要结果足够近似,也能预测原子或分子的行为。近日,DeepMind开源了一个“费米网络”(FermiNet),用来求解分子的电子行为,在30个电子的有机分子上也达到了很高的精度。文章结果发表在期刊Physical Review Research上。为什么叫费米网络在量子力学中,电子没有精确的位置,我们只能从波函数预测电子在空间中出现的概率,也就是电子云。比如氢原子的电子云就有以下几种形态。曲面内表示电子出现的高概率区域。蓝色区域波函数为正,紫色区域波函数为负。(注:波函数平方表示电子出现的概率)误差小于0.5%即可预测分子的能量,但这对于化学家来说远远不够,要准确预测分子的形状和化学性质,需要0.001%的精度,相当于以毫米精度测量足球场宽度。电子在分子中不仅受到原子核的吸引力、其他电子的斥力,还遵循着量子力学中的费米-狄拉克统计:如果两个电子交换状态,波函数要反号。这也意味着两个电子的状态不可能完全相同,否则波函数为0。这在物理中叫做“泡利不相容原理”。费米网络正是从这个基本物理原理出发,因此DeepMind将其命名为FermiNet。交换后符号相反,这可能会让你想到线性代数中的行列式。行列式任意两行交换,输出结果就要乘以-1。物理学家也是这样想的,他们用所谓“Slater行列式”来表示电子波函数,但实际情况比Slater行列式要复杂得多,为了更精确表示电子行为,往往需要几百万个Slater行列式的线性组合。工作原理与函数线性组合相比,神经网络在表示复杂函数时往往更具有优势。在构造FermiNet之初,研究人员就把泡利不相容原理作为第一性原理引入神经网络。在FermiNet中,每个电子都有单独的信息流。不仅如此,他们将网络每一层所有流平均化,然后传递给下一层的每一流。这样,这些流就具有正确的反对称性要求。而且在FermiNet行列式中的每个元素都包含所有电子,效率远远超出波函数只有单个电子的情况。与Slater行列式不同,FermiNet是通用函数逼近器,如果神经网络层变得足够宽,则可以无限逼近真实波函数。这意味着,如果我们正确地训练这些网络,它们应该能够将几乎完全精确的解拟合到薛定谔方程。训练是通过最小化系统的能量来拟合FermiNet。FermiNet用蒙特卡洛方法随机选择电子构型,在每个电子排列中局部评估能量,累加每个排列的贡献,并将其最小化。实验结果研究人员将FermiNet用在具有10个电子以内的原子上,能量精度均在99.8%左右。 对于30个电子的环二丁烷,FermiNet算出的能量达到了97%的精度,虽然精度不是很高,但DeepMind表示,作为一种“便宜但不够准确”的方法,这是巨大的成就。现在FermiNet已经在GitHub上开源,代码基于TensorFlow实现,如果你想用它算一算氢分子,不妨试试这串代码:  import sys fromabsl import loggingfromferminet.utils import systemfrom ferminet import train # Optional, for also printing training progress to STDOUTlogging.get_absl_handler().python_handler.stream = sys.stdoutlogging.set_verbosity(logging.INFO) # Define H2 moleculemolecule = [system.Atom(‘H’, (0, 0, -1)), system.Atom(‘H’, (0, 0, 1))] train.train(molecule=molecule,spins=(1, 1),batch_size=256,pretrain_config=train.PretrainConfig(iterations=100),logging_config=train.LoggingConfig(result_path=’H2′经过100次迭代后,该程序会输出一个氢原子波函数文件。官方建议最好用GPU来运行,因为他们计算乙烯分子就用8个GPU花2天时间才算出。除了研究电子外,DeepMind还将神经网络用于其他基础科学研究,比如蛋白质折叠、玻璃态动力学、晶格量子色动力学等。参考链接:https://journals.aps.org/prresearch/abstract/10.1103/PhysRevResearch.2.033429https://github.com/deepmind/ferminethttps://deepmind.com/blog/article/FermiNet Tags: 业界新闻
2020-12-07查看详情
推荐阅读
问题反馈
请将您的宝贵意见反馈给我们