人工智能，機器學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)是日常生活中越來越多的術(shù)語。面部識別，對象檢測以及人的分類和分割是機器學(xué)習(xí)算法的常見任務(wù)，這些算法現(xiàn)已得到廣泛使用。所有這些過程的基礎(chǔ)都是機器學(xué)習(xí)，這意味著計算機可以捕獲對象之間關(guān)系非常復(fù)雜的過程的基本屬性或關(guān)鍵特征。學(xué)習(xí)過程中涉及好事例和壞事例，而以前沒有有關(guān)物體或物理定律的知識。

但是，由于這是一個盲目的優(yōu)化過程，因此機器學(xué)習(xí)就像一個黑匣子：計算機做出他們認為有效的決定，但尚不了解為什么要做出一個決定而不做出另一個決定，因此該方法的內(nèi)部機制仍不清楚。結(jié)果，機器學(xué)習(xí)對緊急情況的預(yù)測是有風(fēng)險的，并且絕不可靠，因為結(jié)果可能具有欺騙性。

在這項研究中，由URV化學(xué)工程系的弗拉基米爾·鮑林(Vladimir Baulin)組成的研究小組，馬克·沃納(Marc Werner)(德累斯頓的萊比尼茲聚合物研究所)和亞雄國(中國南京大學(xué))進行了神經(jīng)網(wǎng)絡(luò)預(yù)測檢查它們是否與實際結(jié)果一致。為此，他們選擇了一個定義明確的實際示例：神經(jīng)網(wǎng)絡(luò)必須設(shè)計一個在盡可能短的時間內(nèi)穿過脂質(zhì)膜的聚合物分子。脂質(zhì)膜是一種天然屏障，可保護細胞免受損傷和外部成分的侵害。為了監(jiān)控神經(jīng)網(wǎng)絡(luò)的預(yù)測，

弗拉基米爾·鮑林(Vladimir Baulin)解釋說：“傳統(tǒng)的計算機處理器最多可以包含12-24個核用于計算，但是圖形卡被設(shè)計為可以對圖像和視頻像素進行并行計算，并且它們具有數(shù)千個針對并行計算進行了優(yōu)化的計算核心。” 。這種巨大的計算能力可在短短幾秒鐘或幾分鐘內(nèi)生成數(shù)以億計的聚合物組合。通過這種方式，可以生成包含所有可能組合的映射，因此可以監(jiān)視神經(jīng)網(wǎng)絡(luò)如何選擇正確的結(jié)果。

鮑林指出：“令人驚訝的是，像神經(jīng)網(wǎng)絡(luò)這樣的簡單，最少的網(wǎng)絡(luò)可以找到分子的組成。” “這可能是由于物理系統(tǒng)遵守本質(zhì)上對稱且自相似的自然規(guī)律這一事實。這大大減少了神經(jīng)網(wǎng)絡(luò)隨后捕獲的可能參數(shù)組合的數(shù)量。”

因此，將神經(jīng)網(wǎng)絡(luò)的結(jié)果與實際結(jié)果進行比較，不僅可以檢查預(yù)測，還可以顯示如果任務(wù)發(fā)生更改，預(yù)測將如何演變。反過來，這也顯示了神經(jīng)網(wǎng)絡(luò)如何做出決策以及它們?nèi)绾?ldquo;思考”。