来源：分析测试百科网

复旦大学高分子科学系张红东课题组李剑锋副教授与加拿大滑铁泸大学陈征宇教授合作，在深度学习与物理研究交叉领域取得新进展，提出了一种全新的概念表征方法。近日，研究成果以《用强关联神经网络进行结构预测与反向设计》（“Structural Prediction and Inverse Design by a Strongly Correlated Neural Network”）为题发表于《物理评论快报》(Physical Review Letters 123, 108002)。

将深度学习或神经网络运用于研究自然语言或其它学科时，首先需要对涉及的一些概念（词或物理实体）进行恰当的、充分地表征。过去，人们大多采用静态热点表征（One-Hot Encoding）或向量表征(Vector Representation)，此两种表征方式虽可描述概念的特征，却不能反映环境对其属性之影响，亦不能体现概念的功能。

“我常在想，大脑是不是真的用一个静态的向量来表达概念与物理实体呢？我觉得不一定，比如我们说自行车时，这个概念本身它应该自带‘构造’，另外它跟环境有关系。在不同光线下其形象应该是有差别的。因此，我们想把概念的表示从向量提升成算符，做个升级。”李剑锋表示。

据此想法，团队创造性地提出用算子表示概念的思想。具体而言，即用一个个子神经网络来表示一个个物理实体：网络的输入相当于物理实体所处的环境，网络的输出表示在此环境下物理实体展现的物理属性。

物理实体所处的环境再由其它实体的物理属性联合决定，通过这种自洽迭代形成物理属性与环境的强关联，从而极大地提高神经网络预测的准确性。该方法目前被运用于HP蛋白质模型的预测与反向设计中，取得良好的效果。研究团队发现，新方法特别适合解决涉及简并度的问题。