Aplicaciones de la inteligencia artificial en el campo de la física

Predicción de estructura teórica basada en un algoritmo de optimización global inteligente

Gao Pengyue, Lu Jianyi, Wang Yanchao, Ma Yanming

Método de apilamiento atómico dentro de materia condensada, es decir , la estructura atómica microscópica, es la base para una comprensión profunda de sus diversas propiedades físicas y químicas macroscópicas. En los últimos años, con el desarrollo de algoritmos de optimización global y métodos de cálculo de primeros principios basados ​​en la teoría de la inteligencia colectiva, se ha hecho posible determinar o predecir la estructura atómica microscópica de una sustancia mediante cálculos teóricos basados ​​únicamente en la composición química de la sustancia. y condiciones externas. Este artículo brindará una breve descripción de los principales métodos de predicción de estructuras teóricas en el país y en el extranjero, centrándose en los principios básicos del método de predicción de estructuras CALYPSO basado en el algoritmo de inteligencia colectiva y algunas aplicaciones típicas en el estudio de estructuras de materia condensada.

Aplicación de métodos de aprendizaje automático en la física cuántica de muchos cuerpos

Cai Zi?

Los métodos de aprendizaje automático han recibido amplia atención en muchos campos diferentes en los últimos años. El artículo revisa varios ejemplos representativos de la aplicación de métodos de aprendizaje automático en la física cuántica de muchos cuerpos, centrándose en la posible importancia potencial de los métodos de aprendizaje automático para resolver la dificultad del "muro exponencial" en la física cuántica de muchos cuerpos. Además, varios métodos e ideas de la física cuántica de muchos cuerpos pueden, a su vez, tener importantes efectos esclarecedores en la comprensión de las cuestiones centrales que enfrenta el campo del aprendizaje automático.

La aplicación del aprendizaje profundo en el campo de la física de altas energías

¿Wang Lu?

El aprendizaje profundo es un tipo de aprendizaje que utiliza información multicapa abstracción para aprender las relaciones de representación intrínsecas de datos complejos algoritmo de aprendizaje automático. En los últimos años, los algoritmos de aprendizaje profundo han avanzado rápidamente en campos de la inteligencia artificial como el reconocimiento y posicionamiento de objetos y el reconocimiento de voz. El artículo presentará primero los principios básicos de los algoritmos de aprendizaje profundo y las principales motivaciones para su aplicación en cálculos de física de alta energía. Luego, se revisan con ejemplos las aplicaciones de modelos de algoritmos de aprendizaje profundo, como redes neuronales convolucionales, redes neuronales recurrentes y redes generativas adversarias. Finalmente, el artículo presentará la situación actual, los problemas y algunas ideas sobre la combinación del aprendizaje profundo y los entornos informáticos de física de alta energía existentes.

Astronomía en la era de la información

Zhang Yanxia?, Zhao Yongheng

La astronomía en el siglo XXI ha entrado en la era del big data y la información, y ha tomado en una nueva mirada. El origen de la astronomía y los problemas de las ciencias de la información que enfrenta siguen siendo problemas difíciles que los astrónomos deben resolver con urgencia. Aunque los científicos han logrado algunos resultados, en la nueva situación todavía necesitan armar sus mentes con métodos de inteligencia artificial, cooperar con expertos o empresas en otros campos, cultivar y crear una nueva generación de talentos que enfrenten big data y escribir un nuevo capítulo. juntos. Un capítulo magnífico en astronomía.

La capacidad del ordenador para manejar las complejidades del Go supera a la de los humanos

¿Chen Jing?

En marzo de 2016 y mayo de 2017, en una reunión con Li Shishi y Ke Jie En las dos batallas de máquinas Go entre los dos mejores jugadores de ajedrez humanos, AlphaGo ganó con puntuaciones de 4:1 y 3:0 respectivamente. Solo tomó poco más de un año para que la comunidad de Go pasara de tener una mala opinión del Go por computadora a admitir que las computadoras habían derrotado por completo a los jugadores humanos. El artículo presenta las ideas de los algoritmos de Go, como la búsqueda de árboles de Monte Carlo, la red de políticas, la red de valores y el aprendizaje por refuerzo. Revisa el desarrollo continuo de los algoritmos de Go por computadora hasta que su capacidad para manejar tareas complejas supera la de los ajedrecistas humanos. Espera con interés el impacto de la inteligencia artificial en Go y la sociedad.