Ein Forschungsteam der Hong Kong University of Science and Technology (HKUST), geleitet von Prof. Pan Ding vom Department Physik und Chemie sowie Dr. Li Shuo-Hui, Forschungsassistentprofessor am Department Physik, hat eine neuartige tiefenlernbasierte Methode namens variational temperature-differentiable (VaTD) entwickelt, die eine effiziente Stichprobenziehung aus der Boltzmann-Verteilung über einen kontinuierlichen Temperaturbereich ermöglicht. Die Ergebnisse wurden in Physical Review Letters veröffentlicht. Die Boltzmann-Verteilung ist zentral für die statistische Mechanik und beschreibt das Gleichgewicht von Systemen bei thermischer Temperatur. Ihre Stichprobenziehung ist entscheidend für das Verständnis komplexer Phänomene wie Phasenübergänge, chemische Reaktionen oder die Konformation von Biomolekülen. Traditionelle Methoden wie molekulare Dynamik (MD) oder Markov-Ketten-Monte-Carlo (MCMC) erfordern oft enorme Rechenzeiten, insbesondere bei hohen Energiebarrieren, was die Berechnung thermodynamischer Größen ineffizient macht. Die VaTD-Methode nutzt tiefen generativen Modellen – wie autoregressive Modelle oder Normalisierungsflüsse – und ermöglicht es, die Boltzmann-Verteilung über einen kontinuierlichen Temperaturverlauf zu lernen. Durch automatische Differentiation können erste und zweite Ableitungen thermodynamischer Größen nach der Temperatur direkt berechnet werden, was eine effektive Approximation der analytischen Zustandssumme ermöglicht. Theoretisch garantiert das Modell unter optimalen Bedingungen eine verzerrungsfreie Stichprobe aus der Boltzmann-Verteilung. Ein wesentlicher Vorteil liegt darin, dass die Integration über einen kontinuierlichen Temperaturbereich die Überwindung von Energiebarrieren erleichtert und somit die Simulationsverzerrung reduziert. Im Gegensatz zu anderen generativen Ansätzen benötigt VaTD weder vorgefertigte Datensätze aus MD- oder Monte-Carlo-Simulationen noch zusätzliche Annahmen über die Systemdynamik – es basiert ausschließlich auf der potenziellen Energie des Systems. Die Methode wurde an klassischen Modellen der statistischen Physik wie dem Ising- und dem XY-Modell validiert und zeigte hohe Genauigkeit und Rechenleistung. Prof. Pan betont, dass dies einen bedeutenden Fortschritt darstellt, der neue Möglichkeiten für die Erforschung komplexer statistischer Systeme eröffnet – mit Anwendungen in Physik, Chemie, Materialwissenschaften und Lebenswissenschaften. Industriebeobachter schätzen die Innovation als wegweisend ein: „VaTD könnte die Simulation komplexer thermodynamischer Prozesse revolutionieren, insbesondere in der Materialentwicklung und der Proteinfaltungsforschung“, sagt ein Experte für computergestützte Materialwissenschaft. Die Methode ist besonders relevant für Anwendungen, bei denen schnelle und präzise thermodynamische Vorhersagen erforderlich sind, ohne auf zeitaufwändige klassische Simulationen angewiesen zu sein. HKUST etabliert sich weiterhin als führende Institution in der Anwendung künstlicher Intelligenz auf fundamentale physikalische Probleme.