研究进展：哈工大/清华大学-深度学习 | Nature Computational Science

在理解分子水平动力学中，反常扩散发挥着至关重要的作用，为分子相互作用、迁移状态以及生物和材料科学中系统的物理性质，提供了有价值的见解。最近在异常扩散识别方面，深度学习技术优于传统的统计方法。然而，深度学习网络，通常是由有限分布的数据来训练的，这不可避免地无法识别未知的扩散模型，并且在面对分布外out-of-distribution (OOD) 场景时，会误解动态。

近日，哈尔滨工业大学（深圳）Xiaochen Feng, Hao Sha, 张永兵Yongbing Zhang，清华大学季向阳Xiangyang Ji等，在Nature Computational Science上发文，提出了基于深度学习的通用框架，以评估分布外OOD动态检测方法。

进一步开发了一种基线方法，可实现稳健的分布外OOD动力学检测，以及对分布内异常扩散的准确识别。研究证明，这种方法，可靠地表征各种实验系统的复杂行为，包括膜中的烟碱乙酰胆碱受体、葡聚糖溶液中的荧光珠和经历主动内吞作用的银纳米粒子。

Reliable deep learning in anomalous diffusion against out-of-distribution dynamics.

针对分布外动态的异常扩散中的可靠深度学习。

图1：OOD动态检测用于异常扩散识别

图2：OOD动态检测结果

图3：增强条件下的OOD动态检测评估

图4：OOD动态检测分析

文献链接

Feng, X., Sha, H., Zhang, Y. et al. Reliable deep learning in anomalous diffusion against out-of-distribution dynamics. Nat Comput Sci (2024).

https://doi.org/10.1038/s43588-024-00703-7

https://www.nature.com/articles/s43588-024-00703-7

本文译自Nature。

来源：今日新材料

声明：仅代表译者观点，如有不科学之处，请在下方留言指正！