刚获ICML大奖的机器学习大牛Max Welling加入微软，主攻分子模拟( 二 ) 机器之心报道编辑：杜伟、张

文章图片
2016年， MaxWelling与其在阿姆斯特丹大学指导的博士生ThomasKipf（2020年毕业，现为谷歌大脑研究科学家）共同提出了图神经网络领域的重要成果——图自编码器（GAE），相关论文在NIPS2016Workshop上展示。
图自编码器（GAE）可用于图结构数据中的无监督学习和链接预测，它的主要组件是基于图神经网络的编码器和基于成对评分函数重建图链接的解码器。之后，二人又进一步提出了GAE的模型变体——变分GAE（variationalGAE）。 GAE和变分GAE非常适合没有节点标签情况下的图表示学习。
论文链接：https://arxiv.org/pdf/1609.02907.pdf
2017年， MaxWelling加入了高通，担任技术副总裁。任职期间，他参与了量化、无监督学习和量子AI等方面的研究。在去年的一篇文章中， MaxWelling介绍了他们在量子AI研究领域的一些成果，比如他们开发了量子形变二值神经网络，支持在量子计算机上运行大型经典神经网络，或在经典计算机上进行高效模拟。基于此，高通研究人员将这一经典神经网络变形并集成量子效应，而且该网络仍能高效训练和运行。这也是首个用于真实数据的量子二值神经网络。由此可见， MaxWelling在物理学，尤其是量子物理领域的积累已经帮助他在机器学习领域取得了一些成就。

文章图片
机器学习、量子物理、化学、分子生物学将如何碰撞
对于MaxWelling加入微软研究院并担任新建阿姆斯特丹实验室的负责人，微软研究院剑桥实验室主任ChrisBishop表示了热烈欢迎。和MaxWelling类似， ChrisBishop也是一位有着深厚物理学背景的计算机科学家，他在英国爱丁堡大学拿到了理论物理学博士学位，研究方向是量子场论。
在两人的一次访谈中，他们结合共同的物理学背景以及对分子模拟的愿景，探讨了机器学习和量子计算在模拟分子领域的应用前景、机器学习在模拟分子领域提供所需数据的能力、以及阿姆斯特丹实验室第一年和之后的发展愿景。

文章图片
在访谈中， ChrisBishop认为MaxWelling所有令人瞩目的研究都与分子模拟直接相关，这是微软研究院剑桥实验室一直以来非常感兴趣的领域，也成为了微软研究院邀请MaxWelling出任阿姆斯特丹实验室leader的初衷。
MaxWelling也表示自己已经努力将研究方向转向分子模拟领域。他更想将之后的职业生涯致力于气候变化，其中计算化学是解决诸多挑战的关键所在。微软这个大平台可以为自己提供大量可用的计算基础设施。
ChrisBishop对此表示赞同，并认为分子模拟将在解决气候灾难中发挥重要作用。
至于什么是分子模拟，当前分子模拟研究为何如此激动人心、与机器学习又存在哪些关联，两人进行了深入探讨。 ChrisBishop认为机器学习将像影响计算机视觉、语音识别和自然语言理解那样对分子模拟领域产生重大影响。机器学习、量子物理、化学和分子生物学的结合将在包括但不限于气候变化的众多领域具有巨大的应用前景。
MaxWelling也描述了分子研究的美妙之处，他表示除了光和其他一些无法真正看到的力（force），我们周边的一切都是由分子组成的，但却没能真正地理解它们，也无法真正地预测它们的特性。因此，如果我们开始更好地理解分子，则很多相关应用就变得触手可及。比如，我们可以通过设计更好的催化器来助力氢经济、设计新药等。微软研究院在这个方向的研究上已经做了很多。