托马斯·萨姆纳,西蒙斯基金会 水分子的四面体电子分布
氧原子核在四面体的中心,氢原子核在粉红色球体的中心
西蒙斯基金会
信用:西蒙斯基金会 一种新的机器学习工具可以比传统方法更精确地计算制造或破坏分子所需的能量
虽然该工具目前只能处理简单的分子,但它为量子化学的未来见解铺平了道路
“使用机器学习来解决控制量子化学的基本方程已经是一个公开的问题好几年了,现在围绕它有很多令人兴奋的事情,”共同创始人朱塞佩·卡雷奥说,他是纽约市弗莱特铁研究所计算量子物理中心的研究科学家
他说,更好地理解分子的形成和破坏,可以揭示对生命至关重要的化学反应的内部运作
苏黎世大学的卡利奥和合作者肯尼·丘以及国际商用机器公司的安东尼奥·梅扎卡波
位于纽约约克镇高地的沃森研究中心在5月12日的《自然通讯》上展示了他们的工作
该小组的工具估计了组装或分离一个分子(如水或氨)所需的能量
该计算需要确定分子的电子结构,该结构由将分子结合在一起的电子的集体行为组成
计算一个分子的电子结构是一件棘手的事情,需要确定该分子电子可能处于的所有潜在状态,加上每个状态的概率
由于电子相互作用并相互量子力学纠缠,科学家不能单独对待它们
随着电子越来越多,纠缠就越来越多,问题就变得越来越严重
对于比在一对氢原子中发现的两个电子更复杂的分子,精确解是不存在的
当约计涉及到几个以上的电子时,即使约计也难以精确
挑战之一是分子的电子结构包括无限多离原子越来越远的轨道的状态
另外,一个电子和另一个电子是无法区分的,两个电子不能占据同一个状态
后一个规则是交换对称性的结果,它决定了当相同的粒子交换状态时会发生什么
梅扎卡波和他在IBM Quantum的同事开发了一种方法来限制考虑的轨道数量,并强加交换对称性
这种方法基于为量子计算应用开发的方法,使问题更类似于电子被限制在预设位置的情况,例如在刚性晶格中
与刚性格子的相似性是使问题更容易处理的关键
Carleo以前训练过神经网络来重建局限于晶格位置的电子行为
通过扩展这些方法,研究人员可以估计出梅扎卡波问题的解决方案
该小组的神经网络计算每个状态的概率
利用这个概率,研究人员可以估计给定状态的能量
最低能级被称为平衡能,是分子最稳定的地方
该团队的创新使得计算基本分子的电子结构变得更加简单和快速
研究人员通过估计将一个真实世界的分子拉开、断开其键所需的能量来证明他们方法的准确性
他们计算了二氢(H2)、氢化锂(锂)、氨(氨)、水(H2O)、双原子碳(C2)和二氮(N2)
对于所有的分子,研究小组的估计被证明是高度准确的,即使在现有方法难以解决的范围内
未来,研究人员的目标是通过使用更复杂的神经网络来处理更大更复杂的分子
一个目标是处理像在氮循环中发现的化学物质,在氮循环中,生物过程建立和破坏基于氮的分子,使它们可用于生命
“我们希望这能成为化学家用来处理这些问题的工具,”卡洛说
卡洛、周和梅扎卡波并不是唯一一个利用机器学习来解决量子化学问题的人
研究人员首先介绍了他们在arXiv上的工作
2019年9月
在同一个月,德国的一个小组和伦敦谷歌深度思维的另一个小组各自发布了使用机器学习来重建分子电子结构的研究
另外两组使用类似的方法,不限制考虑的轨道数
然而,这种包容性在计算上更费力,这种缺点只会随着更复杂的分子而恶化
在计算资源相同的情况下,卡洛、乔和梅扎卡波的方法产生了更高的精度,但为获得这种精度而进行的简化可能会引入偏差
“总的来说,这是偏见和准确性之间的权衡,目前还不清楚这两种方法中的哪一种在未来更有潜力,”卡洛说
“只有时间能告诉我们,这些方法中的哪一种可以扩大到化学中具有挑战性的开放性问题
"
来源:由phyica.com整理转载自PH,转载请保留出处和链接!