人工智能解决了薛定ding方程

2020-12-22 10:15:05

柏林弗赖大学的一组科学家开发了一种人工智能(AI)方法,用于计算量子化学中Schrödinger方程的基态。量子化学的目标是仅基于原子在空间中的排列来预测分子的化学和物理性质,而无需进行资源密集和耗时的实验室实验。原则上,这可以通过求解Schrödinger方程来实现,但实际上这是极其困难的。到目前为止,还不可能找到可以有效计算的任意分子的精确解。但是弗赖大学的团队已经开发出一种深度学习方法,该方法可以实现前所未有的准确性和计算效率的结合。人工智能已经改变了许多技术和科学领域,从计算机视觉到材料科学。 "我们认为,我们的方法可能会极大地影响量子技术的未来,"领导团队努力的FrankNoé教授说。结果发表在著名的《自然化学》杂志上。

量子化学和Schrödinger方程的核心是一个数学对象,它完全确定了分子中电子的行为。波函数是一个高维实体,因此要捕获编码单个电子如何相互影响的所有细微差别非常困难。实际上,许多量子化学方法完全放弃了表达波函数的功能,而是仅仅尝试确定给定分子的能量。但是,这需要进行近似,从而限制了此类方法的预测质量。

其他方法通过使用大量简单的数学构造块来表示波动函数,但是这种方法是如此复杂,以至于仅用少数几个原子就不可能付诸实践。 "避免在精度和计算成本之间进行通常的权衡取舍是 中的最高成就。柏林弗赖大学的Jan Hermann博士解释说,他设计了该方法的关键特征。 "迄今为止,最流行的这种离群值是极具成本效益的密度泛函理论。我们认为,“量子蒙特卡洛”深厚如果不是更成功,我们提出的方法可能同样有效。它以可接受的计算成本提供了空前的准确性。"

Noé教授团队设计的是一种表示电子波函数的新方法。代替由相对简单的数学成分组成波函数的标准方法,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。 Noé解释。 "电子波函数的一个独特特征是它们的反对称性。当两个电子交换时,波函数必须改变其符号。我们必须将此属性构建到神经网络体系结构中才能起作用,"赫尔曼补充说。此功能称为“保利排除原则”,这就是为什么作者将他们的方法称为PauliNet的原因。

除了保利排除原理之外,电子波函数还具有其他基本物理属性,而保利Net的许多创新成功之处在于,它们将这些属性集成到了深度神经网络中,而不是让深度学习仅通过观察数据来找出它们。 "将AI构建到AI中,对于它在该领域做出有意义的预测的能力至关重要," Noé说。 "这正是科学家可以为AI做出实质性贡献的地方,而这正是我们小组关注的重点。

在Hermann和Noé的方法准备用于工业应用之前,仍然有许多挑战需要克服。 "这仍然是基础研究,"作者同意,但它是解决分子和材料科学中一个古老问题的新方法,我们为它带来的可能性感到兴奋。更多信息:Jan Hermann等。电子薛定ding方程的深层神经网络解决方案,《自然化学》(2020)。 DOI:10.1038 / s41557-020-0544-y