Cum creează ordinea din partea zgomotului: Un principiu universal care leagă fizica de învățarea automată Zgomotul este de obicei dușmanul structurii. Totuși, în anumite sisteme — de la suspensii coloidale tăiate până la algoritmi de optimizare stocastică — interacțiunile locale zgomotoase generează paradoxal o ordine spațială pe distanțe lungi. Acest fenomen, numit hiperuniformitate, suprimă fluctuațiile de densitate la scară mare, dar modul în care apare din dinamici pur locale și zgomotoase a rămas o întrebare deschisă timp de două decenii. Satyam Anand, Guanming Zhang și Stefano Martiniani studiază trei sisteme paradigmatice: organizarea aleatorie (RO) și organizarea aleatorie părtinitoare (BRO) din fizica materiei moale, și coborârea stocastică a gradientului (SGD) din învățarea automată. Fiecare sistem are surse microscopice de zgomot fundamental diferite — direcții aleatoare ale loviturii în RO, magnitudine aleatoare a loviturii în BRO și selecție aleatorie a particulelor în SGD — totuși toate suferă aceeași tranziție de fază de la absorbție la activă pe măsură ce densitatea particulelor crește. Constatarea cheie: în ciuda acestor diferențe microscopice, toate cele trei sisteme prezintă un comportament universal pe distanțe lungi identic, guvernat de un singur parametru — coeficientul de corelație a zgomotului c între perechile de particule. Când zgomotul pereche nu este corelat (c = 0), sistemele rămân dezordonate. Pe măsură ce c se apropie de −1 (lovituri anti-corelate, care conservă impulsul), scala de lungime a crossover-ului pentru suprimarea densității diverge, iar sistemele devin puternic hiperuniforme. Autorii dezvoltă o teorie hidrodinamică fluctuantă care prezice cantitativ factorul de structură în toate sistemele fără parametri liberi. Poate cea mai izbitoare este legătura cu învățarea automată: același zgomot anti-corelat care produce hiperuniformitate determină și orientarea către regiunile mai plate ale peisajului energetic — chiar caracteristica legată de generalizarea robustă în rețelele neuronale. Fracțiile de loturi mai mici și ratele de învățare mai mari, cunoscute empiric pentru îmbunătățirea generalizării, produc atât structuri pe distanțe lungi mai puternice, cât și minime mai plate în sistemele de particule. Implicația este puternică: tendința SGD de a găsi minime plate nu este o particularitate a peisajelor de pierdere a rețelelor neuronale, ci o caracteristică universală a optimizării stocastice în spații de dimensiuni înalte — deschizând noi căi, de la proiectarea materialelor hiperuniforme până la înțelegerea motivului pentru care învățarea profundă se generalizează. Hârtie:

Învățarea profundă sparge andocarea metaloproteinelor—un punct orb în descoperirea medicamentelor Metaloproteinele sunt peste tot în biologie — metaloproteinazele matriciale în cancer, superoxidul dismutaza în neurodegenerare, endonucleazele în replicarea virală. Sunt ținte importante pentru medicamente, totuși instrumentele computaționale se confruntă cu dificultăți cu ele. Problema: ionii metalici adoptă geometrii de coordonare diverse, cu preferințe flexibile de legare și efecte puternice de polarizare pe care funcțiile convenționale de punctaj nu le pot surprinde. Majoritatea uneltelor de andocare fie ignoră complet metalele, fie sunt limitate la sisteme doar cu zinc. Hui Zhang și coautorii introduc MetalloDock, primul cadru de andocare cu învățare profundă construit special pentru metaloproteine. Inovația cheie este o strategie de generare autoregresivă care pornește de la centrul metalului, prezicând mai întâi care atom de ligand se coordonează cu metalul (atomul donator), apoi construind restul moleculei spre exterior urmând topologia covalentă. Constrângerile conștiente de fizică asigură geometrii realiste de coordonare pe tot parcursul. Pe benchmark-ul lor selectat de 8.836 de complexe metaloproteină-ligand acoperind Zn²⁺, Mg²⁺, Ca²⁺, Mn²⁺, Fe²⁺ și Co²⁺, MetalloDock obține un succes de andocare de 78,6% — depășind AlphaFold3, Glide și toate celelalte metode testate. Prezice atomii donatori cu o acuratețe de 88,9% și reproduce distanțe de coordonare la o distanță de 0,12 Å față de structurile cristaline. Testul real: experimentele prospective. Screeningul virtual împotriva PSMA a identificat doi inhibitori noi (IC₅₀ = 0,22–0,38 μM). Designul rațional care țintește endonucleaza gripală PA — o enzimă binucleară provocatoare de mangan — a produs inhibitori cu IC₅₀ la doar 191 nM. Mesajul: coordonarea metalelor a fost un punct orb persistent în descoperirea computațională a medicamentelor. Prin integrarea fizicii prior-uri direct în arhitectură, învățarea profundă poate în sfârșit să abordeze această problemă — deschizând metaloenzimele către aceeași screening de mare performanță care a transformat alte clase țintă. Hârtie:

Un GNN informat de fizică care învață legile lui Newton din date — și extrapolează la sisteme cu 35× mai mari Majoritatea rețelelor neuronale pentru simularea fizicii sunt consumatoare de date și fragile. Antrenează-i pe o singură configurație și se destramă când schimbi condițiile de frontieră, mărești sistemul sau rulezi rollout-uri lungi. Problema fundamentală: aceste modele învață corelații, nu legile de conservare. Vinay Sharma și Olga Fink abordează diferit Dynami-CAL GraphNet. În loc să spere că rețeaua descoperă fizica, o integrează direct în arhitectură. Ideea cheie: a treia lege a lui Newton garantează că forțele interne conservă momentul liniar și unghiular — chiar și atunci când energia se disipează prin frecare sau coliziuni inelastice. Ei realizează acest lucru printr-un nou sistem de referință local la muchie, care este SO(3)-echivariant, invariant la translație și antisimetric sub schimb de noduri. Forțele decodate din încorporarea muchii sunt automat egale și opuse. Momentul unghiular primește același tratament: rețeaua prezice atât cuplurile interne, cât și punctul de aplicare a forței, izolând spinul de contribuțiile orbitale. Rezultatele sunt remarcabile. Antrenat pe doar cinci traiectorii a 60 de sfere care se ciocnesc într-o cutie staționară, modelul extrapolează la un hopper cilindric rotativ cu 2.073 de particule — menținând rulări stabile și fizic constante pe parcursul a 16.000 de pași de timp. Pe sistemele N-body constrânse, capturarea mișcării umane și dinamica moleculară a proteinelor, depășește liniile de bază specializate, necesitând mai puține date. Mesajul: când integrezi legile de conservare în arhitectură, în loc de funcția de pierdere, obții modele care generalizează pe scări, geometrii și condiții de frontieră — pentru că au învățat de la început biasul inductiv corect. Hârtie: