Nature评论：机器学习的物理启示录——隔壁的另一条机遇之道( 四 ) 老话说：隔行不取利。但时过

其实，为了避免维度灾难而使用机器学习求解的例子有很多，举几个典型的：Rubik’s Cube魔方问题、旅行商问题和寻找蛋白质的三维结构问题。
Rubik's cube其实就是我们常说的魔方， Magic Cube ，是因为1974年Rubik教授发明了它因此得名。在2019年Nature上发表的一篇文章中，作者就提出使用深度学习方法DeepCubeA来解决魔方问题。DeepCubeA可以学习如何在没有任何特定领域知识的情况下，从目标状态反向解决越来越困难的魔方问题。

文章图片

文章图片
论文地址：https://www.nature.com/articles/s42256-019-0070-z
而在更难的蛋白质序列预测、蛋白质三维结构的工作中， Brain等人综述了学术界目前已经使用的深度学习方法。

文章图片

文章图片
文章地址：https://www.nature.com/articles/s41580-019-0163-x
这些方法都是用来解决蛋白质领域中的一个难题——设计折叠成特定三维结构的氨基酸序列。在过去的十年中，蛋白质结构的预测和设计方法进步神速。而计算能力的提高以及蛋白质序列和结构数据库的快速增长也同步推动了新的数据密集型和计算要求高的结构预测方法的发展。
因此很多算法可以经过计算来设计“蛋白质折叠”和“蛋白质-蛋白质界面” ，并也被应用于新的高阶蛋白质组装体的设计，以及从0设计具有新颖或增强性质的荧光蛋白质，以及具有治疗潜力的信号蛋白质。
其中，比较具有代表性的是Mohammed Hibat-Allah等人提出的一种融合了经典和量子物理学以及深度学习的设计，这种方法可以用来寻找无序Ising系统的基态（Ground State）。

文章图片

文章图片
论文地址：https://www.nature.com/articles/s42256-021-00401-3
在统计物理学中，优化问题可以用一种叫做模拟退火的计算方法来解决。这是一个受到冶金学中的退火过程的启发而被提出来的启发式算法过程。
在冶金工业的退火工艺过程中，固体加温至充分高，再让其徐徐冷却，加温时，固体内部粒子随温升变为无序状，内能增大，而徐徐冷却时粒子渐趋有序，在每个温度都达到平衡态，最后在常温时达到基态，内能减为最小。简单来说材料被快速加热，随后缓慢冷却。在冷却的过程中，材料在微观上重新排列成具有所需特性的最佳配置。
而受到这个现象的启发，科学家总结出了传统的模拟退火算法。简而言之，它是基于Monte-Carlo迭代求解策略的一种随机寻优算法，其出发点是基于物理中固体物质的退火过程与一般组合优化问题之间的相似性。
模拟退火算法从某一较高初温出发，伴随温度参数的不断下降，结合概率突跳特性在解空间中随机寻找目标函数的全局最优解，即在局部最优解能概率性地跳出，并最终趋于全局最优。
模拟退火算法是一种通用的优化算法，理论上算法具有概率的全局优化性能，目前已在工程中得到了广泛应用，诸如VLSI、生产调度、控制工程、机器学习、神经网络、信号处理等领域。
模拟退火算法通过逐渐减少 "热波动 "来探索在能量的角度中的全局损失最小值（见图中一个具有明显全局最小值的粗糙能量视角的例子）。