Eine zyklische Implementierung von Machine-Learning-Algorithmen liefert Einsichten in physikalische Mechanismen und verbessert die Effizienz. In den letzten Jahren wurden Machine-Learning-Algorithmen und künstliche Intelligenz (KI) zunehmend eingesetzt, um wissenschaftliche Daten gründlich zu analysieren und genauere und effizientere Berechnungsmodelle zu generieren. Allerdings fehlt es KI-basierten Ansätzen oft an tieferen Einblicken in die physikalischen Mechanismen. Zhu et al. wendeten KI in einem mehrstufigen Ansatz an, um zunächst physikalische Informationen über ein System aufzudecken und dieses Wissen dann zu nutzen, um die KI-Analyse zu verbessern. Sie demonstrierten ihre Methode anhand einer Fallstudie zur Optimierung von amorphen Netzwerken mit extremen Poisson-Verhältnissen.
Eine Schlüsselstrategie in ihrem Ansatz ist der “zyklische Weg”: Die Verwendung von Machine Learning zur Entdeckung des physikalischen Mechanismus, der dann wiederum die Effizienz des Machine Learning verbessert. Dieser iterative Ansatz fördert nicht nur wissenschaftliche Entdeckungen, sondern bereichert auch die Techniken des maschinellen Lernens, indem er einen gegenseitig vorteilhaften Kreislauf von Entdeckung und Innovation schafft. Das Team wandte diese Methode an, um amorphe Netzwerke mit extremen Poisson-Verhältnissen zu generieren. Ihre Methode zeigte einzigartige Eigenschaften, die in etablierten Konfigurationen nicht gefunden wurden, wie zum Beispiel das Fehlen konkaver Strukturen.
Im Prozess identifizierte es wesentliche Merkmale amorpher Netzwerke, Informationen, die als allgemeine Designprinzipien in nachfolgenden Studien dienen können. Zukünftige Forschungen des Teams zielen darauf ab, die komplexe Beziehung zwischen komplexen Netzwerkstrukturen und tiefen neuronalen Netzwerken zu erforschen. Diese Netzwerke weisen ähnliche Muster auf, wobei komplexe Konfigurationen die komplexen Netzwerke im menschlichen Gehirn widerspiegeln. Anwendungen umfassen Phänomene von allosterischen Reaktionen bis hin zum Transport von Flüssigkeit und Wärme, wobei das Potenzial für innovative Fortschritte im Verständnis und der Optimierung komplexer Systeme mit KI aufgezeigt wird.