报告题目: 局部分布理论-一个面向物质体系的统计机器学习新理论

报告人: 田圃  吉林大学生命科学学院教授

报告时间: 2021年12月9日（星期四）12：00

报告地点: 吉林大学中心校区物理楼301会议室

报告摘要：

深度学习在生物大分子静态结构预测中取得了巨大进展(Nature, 596:583-589, 2021; Science, 373:871-876, 2021; Science, 373:1047-1051, 2021)，但这些架构都不能描述至关重要的构象变化。分子模拟是生物大分子体系全景动态行为描述的计算手段，但其“分子力场+采样”的传统框架最近二十多年一直陷于准确度和效率之间选择的困境。深度学习神经网络力场解决了传统分子力场固定函数形式和两两相互作用近似的局限，显著提高了模拟准确度，但也降低了效率。粗粒化方法提高了效率但降低了准确度。增强采样方法对反应坐标难以确定的复杂体系应用困难，这些研究方向的基础理论最初都在欧美提出。而达成典型分子生物体系的日常可靠智能设计预测需要在提高全原子模拟准确度的同时大幅度提高效率。因此亟需新理论和算法框架的突破。在努力突破上述学科发展瓶颈的探索中，我们发现了分子模拟中普遍存在的重复局部采样和伴随的计算资源浪费，并针对此问题提出了针对物质体系的全新统计机器学习理论-局部分布理论。在蛋白质结构优化的初步验证中，基于该理论的自由能计算图优化方法在传统采样方法的基础上提高精度的同时把效率提高三个数量级以上。局部分布理论可用于各种复杂分子体系经典和量子计算的加速。论文链接:https://wires.onlinelibrary.wiley.com/doi/full/10.1002/wcms.1588

报告人简介：

田圃，吉林大学生命科学学院教授，一直致力于生物大分子体系的原创算法和理论研究。局部分布理论是报告人发展的第一个原创理论，这是一个新理论还需要诸多细节问题需要解决，也需要进一步在多种分子体系中发展，希望能够得到同行的批评建议。此外，报告人也在发展原创的超大规模生物学序列分析算法。

举办单位：

吉林大学科学技术协会

36365线路检测中心