Energielandschaften für maschinelles Lernen

Maschinelles Lernen wird zunehmend als flexibles, nichtlineares Anpassungs- und Vorhersagewerkzeug in den Naturwissenschaften eingesetzt. Anpassungsfunktionen, die mehrere Lösungen als lokale Minima aufweisen, können in Bezug auf die entsprechenden Landschaften des maschinellen Lernens analysiert werden. Methoden zur Erkundung und Visualisierung molekularer Potentialenergielandschaften können auf diese Landschaften des maschinellen Lernens angewendet werden, um neue Einblicke in den Lösungsraum zu gewinnen, der beim Training beteiligt ist, und in die Natur der entsprechenden Vorhersagen. Insbesondere können wir Größen definieren, die analog zu molekularer Struktur, Thermodynamik und Kinetik sind, und diese emergenten Eigenschaften mit der Struktur der zugrunde liegenden Landschaft in Verbindung bringen. Dieses Perspektive zielt darauf ab, diese Analogien anhand von Beispielen aus aktuellen Anwendungen zu beschreiben und neue interdisziplinäre Forschungsansätze vorzuschlagen.