柏林自由大学 信用:CC0公共领域 柏林自由大学的一组科学家开发了一种人工智能方法，用于计算量子化学中薛定谔方程的基态
量子化学的目标是仅根据分子在空间中的原子排列来预测分子的化学和物理性质，避免了资源密集型和耗时的实验室实验
原则上，这可以通过求解薛定谔方程来实现，但实际上这是极其困难的
到目前为止，对于任意分子都不可能找到可以有效计算的精确解
但是自由大学的团队已经开发了一种深度学习方法，可以实现精确度和计算效率的前所未有的结合
人工智能已经改变了许多科技领域，从计算机视觉到材料科学
“我们相信我们的方法可能会对量子化学的未来产生重大影响，”领导团队工作的弗兰克·诺伊教授说
研究结果发表在著名的《自然化学》杂志上
量子化学和薛定谔方程的核心是波函数——一个完全指定分子中电子行为的数学对象
波函数是一个高维实体，因此很难捕捉编码单个电子如何相互影响的所有细微差别
事实上，量子化学的许多方法完全放弃了波函数的表达，而是试图只确定给定分子的能量
然而，这需要进行近似，限制了这种方法的预测质量
其他方法通过使用大量简单的数学构件来表示波函数，但是这些方法是如此复杂，以至于它们不可能被应用于仅仅少数几个原子
“避开精确度和计算成本之间通常的权衡是量子化学的最高成就，”博士解释说
柏林自由大学的简·赫尔曼设计了这项研究方法的关键特征
“迄今为止，最受欢迎的此类异常值是极具成本效益的密度泛函理论
我们相信，我们提出的这种深度“量子蒙特卡罗”方法，即使不是更成功，也可能同样成功
它以可接受的计算成本提供了前所未有的精确度
" 诺伊教授团队设计的深度神经网络是一种新的表示电子波函数的方法
“我们设计了一个人工神经网络，能够学习电子如何围绕原子核定位的复杂模式，而不是用相对简单的数学成分组成波函数的标准方法，”诺伊解释道
“电子波函数的一个特殊特征是它们的反对称
当两个电子交换时，波函数必须改变它的符号
赫尔曼补充道:“我们必须将这一特性融入到神经网络架构中，才能让这种方法发挥作用。”
这个被称为“泡利排除原理”的特征就是作者称他们的方法为“保利内”的原因
' 除了泡利排除原理之外，电子波函数还具有其他基本的物理性质，而波林网的创新成功之处在于它将这些性质整合到深层神经网络中，而不是让深层学习仅仅通过观察数据来解决它们
“将基础物理融入人工智能对于它在该领域做出有意义的预测的能力至关重要，”诺伊说
“这确实是科学家可以对人工智能做出实质性贡献的地方，也是我的团队所关注的
" 在赫尔曼和诺埃尔的方法准备好投入工业应用之前，还有许多挑战需要克服
“这仍然是基础研究，”作者同意，“但这是一种解决分子和材料科学中一个古老问题的新方法，我们对它带来的可能性感到兴奋
"
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
