人工智能,机器学习和神经网络是日常生活中越来越多的术语。面部识别,对象检测以及人的分类和分割是机器学习算法的常见任务,这些算法现在已得到广泛使用。所有这些过程的基础都是机器学习,这意味着计算机可以捕获对象之间关系非常复杂的过程的基本属性或关键特征。学习过程涉及好的例子和坏的例子,而以前没有有关物体或物理基本定律的知识。
![bbdbb934aeea9b9dfdd62005ef724c56.png](https://i-blog.csdnimg.cn/blog_migrate/b3c0e3f33f8224f687fdedb3f7cd9e6c.jpeg)
但是,由于这是一个盲目的优化过程,因此机器学习就像一个黑匣子:计算机做出他们认为有效的决定,但尚不了解为什么要做出一个决定而不做出另一个决定,因此该方法的内部机制仍不清楚。结果,机器学习针对紧急情况做出的预测是冒险的,并且绝不可靠,因为结果可能具有欺骗性。
在这项研究中,研究小组进行了神经网络预测检查它们是否与实际结果一致。为此,选择了一个定义明确的实际示例:神经网络必须设计一个在尽可能短的时间内穿过脂质膜的聚合物分子。脂质膜是一种天然屏障,可保护细胞免受损伤和外部成分的侵害。为了监控神经网络的预测,
传统的计算机处理器最多可以包含12-24个核用于计算,但是图形卡被设计为可以对图像和视频像素进行并行计算,并且它们具有数千个为并行计算而优化的计算核心。 这种巨大的计算能力仅在几秒钟或几分钟内即可生成数以亿计的聚合物组合。这样,可以生成包含所有可能组合的映射,因此可以监视神经网络如何选择正确的结果。
令人惊讶的是,像神经网络这样的简单,最小的网络可以找到分子的组成。这可能是由于以下事实:物理系统遵守自然规律,本质上是对称的并且是自相似的。这大大减少了神经网络随后捕获的可能参数组合的数量。
因此,将神经网络的结果与实际结果进行比较,不仅可以检查预测,还可以显示如果任务发生更改,预测将如何演变。反过来,这也显示了神经网络如何做出决策以及它们如何“思考”。