Generatives maschinelles Lernen im großkanonischen Ensemble

• Antragsteller: Professor Dr. Tristan Bereau
• Fachliche Zuordnung: Statistische Physik, Nichtlineare Dynamik, Komplexe Systeme, Weiche und fluide Materie, Biologische Physik ; Künstliche Intelligenz und Maschinelle Lernverfahren
• Förderung: Förderung seit 2025
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 554514035

Wir verwenden physikalisch informiertes generatives maschinelles Lernen (ML) zur Beschreibung von Teilchenkonfigurationen im großkanonischen Ensemble. Wir bilden das Problem der Kopplung der Wechselwirkungen des Hamiltonschen Modells auf ein denoising diffusion probabilistic model (DDPM) ab. Unser DDPM ist in der Lage, Hunderte von Freiheitsgraden genau zu koppeln, was neue Perspektiven für die Berechnung des chemischen Potenzials eröffnet. Wir schlagen vor, diese Ideen zu erweitern, indem wir komplexere Kraftfelder, intramolekulare Freiheitsgrade und eine Zerlegung der Energiefunktion nach Körperordnung unterstützen. Schließlich schlagen wir vor, die Zustandsgleichung komplexer molekularer Systeme zu erlernen: molekulare Flüssigkeiten und Phospholipidmembranen.

• DFG-Verfahren: Sachbeihilfen