神经网络学习共聚物穿膜转运的物理规则
软凝聚态物质
2019-05-01 v1 生物物理
摘要
计算机处理能力的近期发展带来了处理多体物理尤其是聚合物物理问题的新范式。GPU 并行处理器可被用来在每秒钟生成复杂环境中异质序列聚合物分子的数百万独立构型，并估算相应的自由能景观。在聚合物序列和架构上完备的数据库是多层层人工神经网络的强大训练基础，其内部分表示有望带来关于序列模式如何与有效聚合物性质及对环境的响应相关联的新物理视角。在我们的示例中，我们考虑共聚物穿过两亲性双层膜的转运时间作为亲水与疏水单元二元序列的函数。首先我们证明，对所有可能聚合物序列的大规模并行 Rosenbluth 采样，可依据穿过膜的平均首次逃逸时间给出有意义的动力学解释。其次我们训练一个多层感知机，并通过将训练集系统性缩减至转运时间的窄窗口，表明神经网络发展出了将序列映射至转运时间的物理规则的内部分表示。特别地，基于窄训练集，该网络预测出的转运时间正确数量级所处窗口比训练窗口宽逾 8 个数量级。
引用
@article{arxiv.1904.13259,
title = {Neural network learns physical rules for copolymer translocation through amphiphilic barriers},
author = {Marco Werner and Yachong Guo and Vladimir A. Baulin},
journal= {arXiv preprint arXiv:1904.13259},
year = {2019}
}