作者艾米丽·维拉斯科，加州理工学院 OrbNet处理量子化学模拟的速度比以前快得多，允许对程序中的分子进行实时操作
信用:安托斯公司
量子化学是在量子尺度上对化学性质和过程的研究，它为现代化学的研究和发现开辟了许多途径
化学家们无需操作烧杯或试管，就可以通过研究给定原子或分子的电子结构——电子如何排列在轨道上——以及这些电子如何与其他化合物或原子相互作用，来预测给定原子或分子的性质以及它将如何经历化学反应
然而，尽管量子化学已经证明了它的强大，但它也有一个很大的缺点:精确的计算是资源密集型和耗时的，常规的化学研究需要花费数天或更长的时间
现在，由于使用机器学习的新量子化学工具，量子化学计算可以比以前快1000倍，使得精确的量子化学研究比以往任何时候都要快
这款名为OrbNet的工具是由加州理工学院的化学教授汤姆·米勒和布伦特的计算和数学科学教授阿尼玛·阿南德·库马尔合作开发的
米勒说:“在量子化学中，计算的准确性和花费的时间之间有一种惩罚性的相互作用。”
“你会开始计算，然后说，‘好吧，周二见
但是现在，计算可以交互进行
" OrbNet使用图形神经网络，这是一种机器学习系统，将信息表示为包含数据的“节点”和表示这些数据块相互关联方式的“边”
米勒说OrbNet工作得很好，因为原子和分子被映射到基于薛定谔方程的图形神经网络的方式有所创新，薛定谔方程是量子力学的核心数学
“以前的图形架构把原子组织成节点，把原子之间的键组织成边，但这不是量子化学的想法，”他说
“因此，我们建立了一个图表，其中节点是电子轨道，边是轨道之间的相互作用
这与薛定谔方程有着更加自然的联系
" 像所有的机器学习系统一样，OrbNet需要被训练来执行指定的任务，就像一个人得到一份新工作需要被训练一样
OrbNet学会了在精确的参考量子力学计算的基础上预测分子的性质
阿南德库马尔的研究主要集中在机器学习上，他帮助设计和优化了图形神经网络的实现
“Orbnet是使用特定领域特征的深度学习模型的一个很好的例子:在这个例子中，是分子轨道
“这使得机器学习模型能够精确地对比训练数据中的分子大得多的分子进行计算，大10倍之多，”阿南德库马尔说
“对于标准的深度学习模型，这种外推是不可能的，因为它只学习在训练数据上插值
利用分子轨道的领域知识对我们实现向更大分子的转移至关重要
目前，OrbNet已经在大约10万个分子上进行了训练，米勒说这使得它能够为研究人员执行许多有用的计算，但是正在进行的努力旨在将其扩展到更大的训练数据集
“分子性质的预测有许多实际好处
例如，OrbNet可以用来预测分子的结构，它们反应的方式，它们是否溶于水，或者它们如何与蛋白质结合，”他说
米勒说，未来在OrbNet上的工作将集中在通过额外的培训来扩大它可以用于的任务范围
“我们已经证明它适用于有机化学的一个小角落，但没有什么能阻止我们将这种方法扩展到其他应用领域，”他说
9月25日，描述OrbNet的论文《OrbNet:利用对称性原子轨道特征的量子化学深度学习》发表在《化学物理杂志》上，并被选为编辑精选
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
