2023-03-17
3月16日，北京师范大学自然科学高等研究院复杂系统国际科学中心，联合中科院理论物理所的合作者，在Nature Machine Intelligence（自然-机器智能）发表论文Neural-network solutions to stochastic reaction networks，提出了一种使用变分自回归网络来求解化学主方程的机器学习普适方法。
随机反应网络描述了化学物质通过一系列反应的变化，被广泛用于模拟物理、化学和生物等复杂系统中的随机过程。随机反应网络通常通过化学主方程进行建模[1]，它描述了表示物种分子数随时间演化的联合概率分布。然而，系统可能的状态数量随着物种的种类数呈指数增长，因此准确表示联合概率并求解化学主方程是一个难题。
该工作提出了一种神经网络方法来获得随机反应网络的联合概率分布随时间的演化，推广变分自回归网络来求解化学主方程[2]。训练自回归网络采用强化学习框架中的策略梯度算法，不需要其他方法预先模拟的任何数据。与广泛使用的Gillespie算法来模拟随机轨迹不同[3]，该方法跟踪联合概率分布的时间演化。作者将该方法应用于物理学和生物学中的代表性示例，良好的表现说明这一研究实现了第一个基于神经网络研究随机反应网络的通用方法。研究成果应用统计物理学的思想和方法，结合人工智能中的强化学习策略，为探索一大类复杂系统的演化问题提供了新途径，充分展示了系统科学开展交叉学科研究的特点和优势。
北京师范大学复杂系统国际科学中心的汤迎副研究员和系统科学专业的本科生翁佳钰为共同第一作者，汤迎与中国科学院理论物理研究所的张潘教授为共同通讯作者。北京师范大学珠海校区复杂系统国际科学中心为该论文第一完成单位，该研究得到了国家自然科学基金（批准号：12105014, 11747601, 11975294）的大力支持。据了解，《Nature Machine Intelligence》只关注对该领域具有重要影响的科研成果。因其严格的评审标准，每年收录论文数量平均仅80篇左右。目前该期刊2022年影响因子为25.8，是计算机科学、人工智能领域中的重要期刊。
论文链接：https://www.nature.com/articles/s42256-023-00632-6
论文免费只读版本：https://rdcu.be/c7MVp
程序包：https://github.com/jamestang23/NNCME
[1] N. G. V. Kampen, Stochastic Processes in Physics and Chemistry (Elsevier, 1992).
[2] D. Wu, L. Wang, and P. Zhang, Solving Statistical Mechanics Using Variational Autoregressive Networks , Phys. Rev. Lett. 122, 080602 (2019).
[3] D. T. Gillespie, A General Method for Numerically Simulating the Stochastic Time Evolution of Coupled Chemical Reactions , J. Comput. Phys. 22, 403 (1976).
