基于深度 AndersoNN 加速的人工生命与材料科学家构建

Deep AndersoNN 通过将神经网络中显式层数趋于无穷大时可取的单一隐式层（即深度均衡模型）进行加速，实现 AI 的加速。求解深度均衡模型参数可转化为非线性固定点迭代问题，使向量到向量迭代求解器（如 Anderson 拟 extrapolation）可用于加速收敛。本文表明，Deep AndersoNN 在训练与推理中可实现约一个数量级的加速。该方法通过构建人工生命与材料“科学家”，应用于工业应用的密度泛函理论结果，分别用于分类药物是强极性还是弱极性、金属有机框架按孔径分类，以及晶体材料按金属、半导体、绝缘体分类，使用由原子-键网络转换为图节点邻域表示的图图像。结果在准确率达到 98% 方面表现出色，展示了 Deep AndersoNN 与现代计算架构（如 GPU）中机器学习能力之间的协同效应，实现了通过快速识别结构-性质关系进行的加速计算生命与材料科学。这为节省最高可达 90% 的 AI 计算资源、到 2030 年将碳足迹降低最高可达 60 吨二氧化碳，并超越生命与材料科学中显式神经网络的内存限制，提供了可能。