环球电气之家-午夜精彩视频-中国专业电气电子产品行业服务网站！

人工智能、機器學習和神經網絡是日常生活中越來越常見的術語。面部識別、對象檢測以及人的分類和分割是機器學習算法的常見任務，這些算法現在已得到廣泛使用。這些功能的基礎都是機器學習，這意味著計算機可以捕獲對象之間關系非常復雜的過程的基本屬性或關鍵特征。學習過程包含很多例子，包括以前沒有的物體或物理基本定律的知識。

但是，由于這是一個盲目的優化過程，因此機器學習就像一個黑匣子。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，因此該方法的內部機制仍不清楚。結果，機器學習針對緊急情況做出的預測是冒險的，并且絕不可靠，因為結果可能具有不確定性。

在這項研究中，由URV化學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）進行了神經網絡預測檢查它們是否與實際結果一致。為此，他們選擇了一個定義明確的實際示例：神經網絡必須設計一個在盡可能短的時間內穿過脂質膜的聚合物分子。脂質膜是一種天然屏障，可保護細胞免受損傷和外部成分的侵害。為了監控神經網絡的預測，

弗拉基米爾·鮑林（Vladimir Baulin）解釋說：“傳統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，并且它們具有數千個為并行計算而優化的計算核心。

這種巨大的計算能力僅在幾秒鐘或幾分鐘內即可生成數以億計的聚合物組合。這樣，可以生成包含所有可能組合的映射，因此可以監視神經網絡如何選擇正確的結果。

鮑林指出：“ 令人驚訝的是，像神經網絡這樣的簡單，最小的網絡可以找到分子的組成。” “這可能是由于以下事實：物理系統遵守自然規律，本質上是對稱的并且是自相似的。這大大減少了神經網絡隨后捕獲的可能參數組合的數量。”

因此，將神經網絡的結果與實際結果進行比較，不僅可以檢查預測，還可以顯示如果任務發生更改，預測將如何演變。反過來，這也顯示了神經網絡如何做出決策以及它們如何“思考”。