復旦大學高分子科學系張紅東教授、李劍鋒副教授與加拿大滑鐵瀘大學陳征宇教授合作，在深度學習與物理研究交叉領域取得新進展，提出了一種全新的概念表征方法。近日，研究成果以《用強關聯神經網絡進行結構預測與反向設計》（“Structural Prediction and Inverse Design by a Strongly Correlated Neural Network”）為題發表于《物理評論快報》(Physical Review Letters 123, 2019, 108002)。
　　將深度學習或神經網絡運用于研究自然語言或其它學科時，首先需要對涉及的一些概念（詞或物理實體）進行恰當的、充分的表征。之前，人們大多采用靜態熱點表征（One-Hot Encoding）或向量表征(Vector Representation)，此兩種表征方式雖可描述概念的特征，卻不能反映環境對其屬性之影響，亦不能體現概念的功能。
　　“因此，我常在想：大腦是不是真的用一個靜態的向量來表達概念與物理實體呢？我覺得不一定，比如我們說自行車時，這個概念本身它應該自帶‘構造’，另外它跟環境有關系。在不同光線下其形象應該是有差別的。因此，我們想把概念的表示從向量提升成算符，做個升級。” 李劍鋒表示。
　　據此想法，團隊創造性地提出用算子表示概念表示實體的思想。具體而言，用一個個子神經網絡來表示一個個物理實體：網絡的輸入相當于物理實體所處的環境，網絡的輸出表示在此環境下物理實體展現的物理屬性。
　　物理實體所處的環境再由其它實體的物理屬性聯合決定，通過這種自洽迭代形成物理屬性與環境的強關聯，從而極大地提高神經網絡預測的準確性。該方法目前被運用于HP蛋白質模型的預測與反向設計中，取得良好的效果；他們發現新方法特別適合解決涉及簡并度的問題。
　　文章鏈接：https://journals.aps.org/prl/abstract/10.1103/PhysRevLett.123.108002

    （摘自復旦大學高分子科學系）