Một nhóm các nhà nghiên cứu tại trường đại học Freie Berlin đã phát triển một phương pháp AI về mặt cơ bản có khả năng cung cấp một giải pháp mới cho “bài toán lấy mẫu” (sampling problem) trong vật lý thống kê.

Vấn đề lấy mẫu đóng vai trò quan trọng về các đặc tính của vật liệu và phân tử có thể không tính toán được một cách trực tiếp sự mô phỏng chuyển động của các nguyên tử trong máy tính bởi những yêu cầu tính toán thậm chí còn quá lớn với cả khả năng của các siêu máy tính. Nhóm nghiên cứu phát triển một phương pháp học sâu có thể làm tăng tốc các phép tính một cách khủng khiếp, khiến cho chúng trở nên khả thi cho những ứng dụng tưởng như không thể trước đây. “AI đang làm thay đổi mọi lĩnh vực trong đời sống của chúng ta, bao gồm cả cách chúng ta làm khoa học”, TS. Frank Noé, giáo sư tại trường đại học Freie Berlin và tác giả chính của nghiên cứu, hào hứng giải thích. Rất nhiều năm trước đây, những phương pháp vẫn được gọi là học sâu đã trở thành các cố vấn tốt nhất cho con người trong việc nhận dạng mẫu hình – đọc các văn bản viết tay hoặc ghi nhận các tế bào ung thư từ các hình ảnh y học. “ể từ khi có những đột phá này, các nghiên cứu về AI đã không ngừng gia tăng. Hàng ngày, chúng ta đều chứng kiến những ứng dụng mới trong nhiều lĩnh vực, nơi các phương pháp truyền thống khiến chúng ta phải mất tới rất nhiều năm mới thực hiện được. Do đó chúng tôi tin tưởng rằng cách tiếp cận của chúng tôi có thể là một bước tiến bộ trong linh vực vật lý thống kê”.

Các kết quả nghiên cứu của họ mới được xuất bản trên Science với tiêu đề “Lấy mẫu các trạng thái cân bằng của hệ nhiều hạt với học sâu” (Sampling equilibrium states of many-body systems with deep learning).

Vật lý thống kê nhằm mục tiêu tính toán các đặc tính của vật liệu hoặc phân tử trên cơ sở các phản ứng, tương tác giữa các thành phần cấu tạo nên chúng – có thể là tại nhiệt độ nóng chảy của một kim loại hoặc liệu một kháng sinh có thể liêc kết với các phân tử của một vi khuẩn và do đó làm vô hiệu hóa chúng. Với những phương pháp thống kê, rất nhiều đặc tính như vậy được tính toán trên máy tính, và qua đó có thể cải thiện các đặc tính của vật liệu hay hiệu ứng của một loại thuốc cụ thể. Một trong những vấn đề chính là khi thực hiện các tính toán này đòi hỏi một chi phí tính toán rất lớn, Simon Olsson – một đồng tác giả nghiên cứu, giải thích. “Trong nguyên tắc chúng tôi có thể phải xem xem từng cấu trúc một, điều đó có nghĩa là mỗi cách đặt vị trí của tất cả các nguyên tử trong không gian, cần phải tính đến xác suất của chúng, sau đó lấy trung bình chúng. Nhưng điều này là không thể vởi vì số lượng các cấu trúc có thể sắp xếp được là quá lớn, ngay cả với các phân tử vô cùng nhỏ. Do đó, cách tiếp cận thông thường là mô phỏng chuyển động động lực đó và những dao động của các phân tử, và sau đó chỉ lấy mẫu những cấu trúc có vẻ như có thể xảy ra. Thật không may là nhiều mô phỏng như vậy thường quá đắt đỏ cho tính toán bởi chúng có thể không thể thực hiện được trên cả các siêu máy tính – đó là vấn đề lấy mẫu mà chúng tôi giải quyết”, anh nói.

Phương pháp AI của nhóm nghiên cứu của giáo sư Noé là một cách tiếp cận hoàn toàn mới với vấn đề lấy mẫu. “Thay vì mô phỏng chuyển động của các phân tử trong các bước nhỏ, chúng tôi tìm các cấu trúc có xác suất cao xảy ra một cách trực tiếp, và để ra một số lượng lớn các cấu trúc có xác suất nhỏ. Sau đó, các phép tính sẽ trở nên dễ thực hiện hơn”, Noé giải thích, “Các phương pháp AI đóng vai trò chính cho cách tiếp cận này được thực hiện”.

Jonas Köhler, một đồng tác giả khác của nghiên cứu và là chuyên gia của các phương pháp máy học, cho biết thêm về cách tiếp cận này với một ví dụ: “Hãy tưởng tượng bạn nhỏ một giọt mực vào một bồn tắm đầy nước. Giọt mực rơi xuống và hòa vào nước trong bồn. Bây gờ chúng ta muốn tìm các phân tử mực đó. Nếu chúng ta làm điều đó bằng việc lựa chọn các phân tử một cách ngẫu nhiên từ bồn tắm, cách làm này có thể khó hiệu – chúng ta có thể phải hút sạch nước trong bông để tìm mọi dấu vết của mực. Giờ đây thay vào đó, chúng ta sử dụng AI, nghiên cứu dòng chảy của nước đã phân tán mực theo thời gian với một mang lưới thần kinh thuận nghịch. Với một mạng lưới như vậy, chúng ta có thể đảo ngược dòng chảy này, về cơ bản là đảo ngược thời gian, và sau đó tìm tất cả các phân tử mực trong giọt mực chảy xuống bồn tắm mà không cần phải mò mẫm trong phần còn lại của bồn tắm”.

Tuy nhiên vẫn còn nhiều thách thức để giải quyết vấn đề trước khi phương pháp này của nhóm nghiên cứu do giáo sư Noé dẫn dắt sẵn sàng cho các ứng dụng trong ngành công nghiệp. “Đây mới chỉ là nghiên cứu cơ bản”, Noé giải thích, “nhưng đây hoàn toàn là một phương pháp tiếp cận mới để giải quyết một vấn đề cũ mà có thể mở ra cánh cửa cho nhiều phát triển mới nữa, và chúng tôi đang háo hức chờ đón xem điều đó xảy ra như thế nào trong những năm tới”.