​​Переход от петард и фейерверков к пулям и снарядам свершился

Глубокое обучение повторяет судьбу пороха.

В Китае еще 1,5+ тыс. лет назад порох использовался для зажигательных снарядов «хо пао» (огненный шар), ставших основой петард и фейерверков. Прошли века, пока догадались использовать силу взрывных газов, возникавших при горении пороха, для метания снарядов и пуль.

С глубоким обучением прогресс был похожим, хотя и шел несравненно быстрее.

Потребовался всего 10+ лет, чтобы перейти от задач распознавания котиков и предсказания покупок к прогностическим моделям на стыке традиционных дисциплин: физики, химии, биологии и материаловедения.

И хотя для обывателя умная колонка и самоуправляемый авто по-прежнему интересней и прикольней, пользы человечеству от них, как от петард и фейерверков (деньги гребут лишь производители, а мы лишь тупо, но радостно палим в небо на НГ, тратя на это кровно заработанное).

Тогда как решение многоэлектронного уравнения Шредингера на основе глубокого обучения открывает такие перспективы в квантовой химии, что дух захватывает.

А ведь идея проста, как все гениальное. Нейронные сети можно рассматривать как аппроксиматоры функций. То есть вы даете нейронной сети учиться, поставляя ей на вход данные из обучающего набора x. Сеть, обучаясь, пытается как можно точнее определить f (х). А когда она научается генерировать известные значения f (x), то может выдавать довольно точные результаты для тех x, которых не было в обучающем наборе данных.

Все выглядит просто. Но кто сказал, что в качестве f (x) можно использовать лишь простые функции?

А что если подсунуть нейронной сети многоэлектронную волновую функцию, удовлетворяющую статистике Ферми-Дирака?

Так и сделали кудесники из DeepMind, построив Fermionic Neural Network. В сети примерно 70 тыс. параметров, и в реальности никто не понимает, что там происходит. Но сеть обучается только один раз, и после этого она, похоже, способна находить приближенные волновые функции, дающие хорошие результаты для предсказанных свойств химических веществ.

В отличие от самоуправляемого авто, непонимание нами алгоритма, избранного сетью для решения уравнения Шредингера, не влечет никаких моральных терзаний и юридических тупиков.

А пользы от одного такого решения больше чем от всех умных колонок мира вместе взятых.

Прочтите о прорывном решении Ab-Initio - популярно и супер-сложно.

Но не подумайте, что лишь супербогатый DeepMind способен нынче на такое.

Вот «наш человек» Александр Исаев, закончивший Днепропетровский универ, а теперь доцент кафедры химии в Универе Северной Каролины, - делает аналогичные вещи. Будучи первым пользователем суперкомпьютера Frontera - самого быстрого академического суперкомпьютера в мире, - он обучил нейронную сеть решать уравнение Шредингера, сначала решая уравнение теории функционала плотности (DFT) для органических молекул.

В отличие от вынужденной политкорректности DeepMind, Александр говорит открытым текстом:

«Момент спутника происходит именно на стыке разных наук и ИИ. Международная гонка за первенство здесь уже началась. И очень важно, чтобы наша страна выиграла эту гонку».

Плохая новость: «наша страна» - это США.

Хорошая – это шикарный пример, как история пороха может повториться. В результате чего Штаты могут сделать в ИИ-гонке Китай.

Пока тот будет зарабатывать на «огненных шарах» ширпотреба, завороженный рассказами Кай-Фу Ли об абсолютном превосходстве Китая в объемах данных, США изобретают пистолет.

А ведь «добрым словом и пистолетом можно добиться гораздо большего, чем одним только добрым словом».

#ГлубокоеОбучение