人工智能，机器学习和神经网络是日常生活中越来越多的术语。面部识别，对象检测以及人的分类和分割是机器学习算法的常见任务，这些算法现已得到广泛使用。所有这些过程的基础都是机器学习，这意味着计算机可以捕获对象之间关系非常复杂的过程的基本属性或关键特征。学习过程中涉及好事例和坏事例，而以前没有有关物体或物理定律的知识。
但是，由于这是一个盲目的优化过程，因此机器学习就像一个黑匣子：计算机做出他们认为有效的决定，但尚不了解为什么要做出一个决定而不做出另一个决定，因此该方法的内部机制仍不清楚。结果，机器学习对紧急情况的预测是有风险的，并且绝不可靠，因为结果可能具有欺骗性。
在这项研究中，由URV化学工程系的弗拉基米尔·鲍林(Vladimir Baulin)组成的研究小组，马克·沃纳(Marc Werner)(德累斯顿的莱比尼兹聚合物研究所)和亚雄国(中国南京大学)进行了神经网络预测检查它们是否与实际结果一致。为此，他们选择了一个定义明确的实际示例：神经网络必须设计一个在尽可能短的时间内穿过脂质膜的聚合物分子。脂质膜是一种天然屏障，可保护细胞免受损伤和外部成分的侵害。为了监控神经网络的预测，
弗拉基米尔·鲍林(Vladimir Baulin)解释说：“传统的计算机处理器最多可以包含12-24个核用于计算，但是图形卡被设计为可以对图像和视频像素进行并行计算，并且它们具有数千个针对并行计算进行了优化的计算核心。” 。这种巨大的计算能力可在短短几秒钟或几分钟内生成数以亿计的聚合物组合。通过这种方式，可以生成包含所有可能组合的映射，因此可以监视神经网络如何选择正确的结果。
鲍林指出：“令人惊讶的是，像神经网络这样的简单，最少的网络可以找到分子的组成。” “这可能是由于物理系统遵守本质上对称且自相似的自然规律这一事实。这大大减少了神经网络随后捕获的可能参数组合的数量。”
因此，将神经网络的结果与实际结果进行比较，不仅可以检查预测，还可以显示如果任务发生更改，预测将如何演变。反过来，这也显示了神经网络如何做出决策以及它们如何“思考”。
