Как шум создает порядок: универсальный принцип, связывающий физику и машинное обучение Шум обычно является врагом структуры. Тем не менее, в определенных системах — от сдвинутых коллоидных суспензий до стохастических алгоритмов оптимизации — шумные локальные взаимодействия парадоксальным образом создают дальнодействующий пространственный порядок. Это явление, называемое гипероднородностью, подавляет колебания плотности на больших масштабах, но как оно возникает из чисто локальной, шумной динамики, остается открытым вопросом на протяжении двух десятилетий. Сатьяма Ананд, Гуанмин Чжан и Стефано Мартиньяни изучают три парадигматические системы: случайную организацию (RO) и смещенную случайную организацию (BRO) из физики мягких тел, а также стохастический градиентный спуск (SGD) из машинного обучения. Каждая система имеет принципиально разные источники микроскопического шума — случайные направления толчков в RO, случайные величины толчков в BRO и случайный выбор частиц в SGD — тем не менее, все они проходят одну и ту же фазовую трансформацию от поглощения к активности по мере увеличения плотности частиц. Ключевое открытие: несмотря на эти микроскопические различия, все три системы демонстрируют идентичное универсальное дальнодействующее поведение, управляемое единственным параметром — коэффициентом корреляции шума c между парами частиц. Когда парный шум некоррелирован (c = 0), системы остаются неупорядоченными. Когда c приближается к −1 (антикоррелированные, сохраняющие импульс толчки), длина перехода для подавления плотности расходится, и системы становятся сильно гипероднородными. Авторы разрабатывают колебательную гидродинамическую теорию, которая количественно предсказывает фактор структуры для всех систем без свободных параметров. Возможно, наиболее поразительным является связь с машинным обучением: тот же антикоррелированный шум, который производит гипероднородность, также смещает SGD в сторону более плоских областей энергетического ландшафта — именно той особенности, которая связана с надежной обобщаемостью в нейронных сетях. Более низкие доли партий и более высокие скорости обучения, как известно, улучшают обобщаемость, создают как более сильную дальнодействующую структуру, так и более плоские минимумы в системах частиц. Импликация мощная: тенденция SGD находить плоские минимумы не является причудой ландшафтов потерь нейронных сетей, а универсальной чертой стохастической оптимизации в высокоразмерных пространствах — открывая новые пути от проектирования гипероднородных материалов до понимания, почему глубокое обучение обобщается.

Глубокое обучение решает проблему докинга металлопротеинов — слепая зона в открытии лекарств Металлопротеины повсюду в биологии — матричные металлопротеиназы при раке, супероксиддисмутаза при нейродегенерации, эндонуклеазы при вирусной репликации. Они являются важными мишенями для лекарств, но вычислительные инструменты с ними сталкиваются с трудностями. Проблема в том, что ионы металлов принимают разнообразные координационные геометрии с гибкими предпочтениями связывания и сильными поляризационными эффектами, которые традиционные функции оценки не могут учесть. Большинство инструментов докинга либо полностью игнорируют металлы, либо ограничены системами только с цинком. Хуи Чжан и соавторы представляют MetalloDock, первую платформу для докинга на основе глубокого обучения, созданную специально для металлопротеинов. Ключевое новшество — это стратегия автогенной генерации, которая начинается с металлического центра, сначала предсказывая, какой атом лиганда координируется с металлом (донорный атом), а затем строя остальную часть молекулы наружу, следуя ковалентной топологии. Ограничения, учитывающие физику, обеспечивают реалистичные координационные геометрии на протяжении всего процесса. На их отобранном бенчмарке из 8,836 комплексов металлопротеин-лиганд, охватывающем Zn²⁺, Mg²⁺, Ca²⁺, Mn²⁺, Fe²⁺ и Co²⁺, MetalloDock достигает 78.6% успеха в докинге — превосходя AlphaFold3, Glide и все другие протестированные методы. Он предсказывает донорные атомы с точностью 88.9% и воспроизводит координационные расстояния в пределах 0.12 Å от кристаллических структур. Настоящее испытание: перспективные эксперименты. Виртуальный скрининг против PSMA выявил два новых ингибитора (IC₅₀ = 0.22–0.38 μM). Рациональный дизайн, нацеленный на эндонуклеазу PA вируса гриппа — сложный бинакулярный марганцевый фермент — дал ингибиторы с IC₅₀ всего 191 нМ. Сообщение: координация металлов была постоянной слепой зоной в вычислительном открытии лекарств. Встраивая физические приоритеты непосредственно в архитектуру, глубокое обучение наконец может решить эту проблему — открывая металоферменты для того же высокопроизводительного скрининга, который преобразовал другие классы мишеней. Статья:

Физически обоснованная GNN, которая изучает законы Ньютона на основе данных и экстраполирует на системы в 35 раз больше Большинство нейронных сетей для физического моделирования требуют много данных и хрупки. Обучите их на одной конфигурации, и они разваливаются, когда вы меняете граничные условия, увеличиваете систему или проводите длительные запуски. Основная проблема: эти модели изучают корреляции, а не законы сохранения. Винай Шарма и Ольга Финк используют другой подход с Dynami-CAL GraphNet. Вместо того чтобы надеяться, что сеть откроет физику, они встраивают её непосредственно в архитектуру. Ключевое понимание: третий закон Ньютона гарантирует, что внутренние силы сохраняют линейный и угловой момент — даже когда энергия рассеивается через трение или неупругие столкновения. Они достигают этого с помощью новой локальной системы отсчета, которая является SO(3)-эквивариантной, инвариантной к трансляциям и антисимметричной при обмене узлов. Силы, декодированные из встраиваний рёбер, автоматически равны и противоположны. Угловой момент получает такое же обращение: сеть предсказывает как внутренние моменты, так и точку приложения силы, изолируя вращение от орбитальных вкладов. Результаты впечатляют. Обученная всего на пяти траекториях 60 сталкивающихся сфер в стационарной коробке, модель экстраполирует на вращающийся цилиндрический бункер с 2,073 частицами — поддерживая стабильные, физически согласованные запуски на протяжении 16,000 временных шагов. На ограниченных N-телесных системах, захвате движений человека и динамике молекул белка она превосходит специализированные базовые модели, требуя при этом меньше данных. Сообщение: когда вы встраиваете законы сохранения в архитектуру, а не в функцию потерь, вы получаете модели, которые обобщаются на разных масштабах, геометриях и граничных условиях — потому что они с самого начала усвоили правильный индуктивный уклон. Статья: