[发明专利]基于局部分布动态拼图和自动求导的全局分布求解技术

权利要求书

1.基于局部分布动态拼图和自动求导的全局分布求解技术，其特征在于：包括如下步骤：

步骤一：对一个给定环境/约束等外界条件下的高维复杂体系(例如复杂化学或生物分子体系，图片等)，假设有N个变量(x₁，x₂，......x_N)，表示该体系的全局联合分布为环境和约束条件可以多种多样，比如对常见的复杂化学或生物分子体系，可以是温度，压力，组分浓度等等；

步骤二：把变量组织为不同但相互重叠的区域。基于区域组织，对平衡态体系可以对全局联合分布做出如下分解；

对非平衡态体系，则可以对全局联合分布做如下分解：

平衡态体系中约束条件(变量)是均一的，在目标(分子或其他)体系的任何一个局部区域都一样，而在非平衡态体系中，约束条件是非均一的，在各个局部区域(i)可以不同所以有公式(2)与公式(1)的不同。但它们的共同点是都有一个局部连乘项，平衡态：非平衡态：和全局关联分式项，平衡态：非平衡态：

步骤三：从数据中学习局部分布当数据供给充足时，所有可能的局部分布都可以被准确学习，主要方案有直接学习和分解学习，具体如下所述：

其一是直接学习；即直接把作为一个整体学习，但即使计算局部联合分布时，归一化系数[Normalization constant]，也被称为配分函数[partition function]或者证据[evidence])的求解也非常困难，所以需要把概率转化成为不(需)要求归一化的势函数求解：

而公式(3)中的学习可以使用基于能量的模型(energy basedmodels),循环置信传播(loopy belief propagation)等方法展开。

其二是分解学习，即把局部联合分布进一步分解为局部似然函数和局部先验项，而先验项同样需要把概率转化为不需要归一化的势函数求解

公式(4)中的是局部似然函数，

是局部先验对应的势函数

步骤四：利用全局采样替代全局关联项的直接计算，这一步是本技术的关键步骤，传统计算化学都是通过直接展开进行计算全局关联分式项的,但对复杂高维体系中不同区域这样的展开是不可能直接实现的，因此我们把全局关联项(公式(1)中的和公式(2)中的)视为没有归一化的概率分布，通过按照这个概率分布采样来替代直接展开计算，而具体的采样原则是全局任意两个(或多个)区域共享的变量必须保持相同的状态/值,这完全可以通过每一步全局采样更新时只使用一套变量状态/值来顺利实现,因为这样就能够保障所有多个区域重叠的变量都严格保持同样状态，也严格实现了介导关联。

步骤五：使用对所有局部的自动求导和上述全局关联项的采样替代实现变量更新迭代，实现目标体系的高效全局分布求解，在每一个迭代步骤通过一套变量值保持所有介导全局关联，在学习阶段，我们使用给定变量值的数据训练神经网络，训练(学习)完成后神经网络参数就存贮了相应的局部分布，这些局部分布被用来按照公式(1)和(2)动态拼图实现全局分布的求解。