DeepMind“学会”预测分子性质
发布时间：2021-12-14
信息来源：中国科学报
字体：
大
中
小
打印
发布时间：2021-12-14
信息来源：中国科学报
- DeepMind;人工智能;机器学习;分子;量子力学;电子;薛定谔方程
英国人工智能公司DeepMind的科学家团队开发了一个机器学习模型，可以通过预测分子中电子的分布来显示分子特征。与现有技术相比，该模型能更准确地计算某些分子性质。12月10日，相关研究结果发表于《科学》。
原则上，材料和分子的结构完全由量子力学决定，特别是由控制电子波函数行为的薛定谔方程决定。论文通讯作者之一、DeepMind物理学家James Kirkpatrick表示，因为所有电子都相互作用，所以根据这种原理计算结构或分子分布是“计算上的噩梦”，而且只能对最简单的分子（如苯）进行计算。
几十年来，研究人员一直依靠一套称为密度泛函理论（DFT）的技术来预测分子的物理性质。自20世纪60年代诞生以来，DFT已成为物理科学中应用最广泛的技术之一，但这种方法也有局限性。
该理论并非对单个电子进行建模，而是旨在计算电子负电荷在分子中的总体分布。Kirkpatrick说：“DFT研究的是平均电荷密度，从密度可以很容易地计算出物质的大多数特性；它不知道单个电子是什么。”
虽然DFT比基本量子理论的计算效率高得多，但它们仍然很麻烦，且通常需要超级计算机。因此，在过去10年中，理论化学家越来越多地开始进行机器学习实验，特别是研究材料的化学反应性或导热能力等性质。
DeepMind团队或许已经做出了迄今为止最雄心勃勃的尝试，部署人工智能（AI）来计算电子密度——这是DFT计算的最终结果。该团队根据1161个薛定谔方程精确解的数据训练了一个人工智能神经网络。为了提高准确性，他们将一些已知的物理定律硬连接到网络中。
奥地利维也纳大学材料学家Anatole von Lilienfeld介绍，随后他们在一组经常用作DFT基准的分子上测试了经过训练的系统，结果令人印象深刻。他补充道，机器学习的一个优点是，尽管训练模型需要大量计算能力，但这一过程只需完成一次。与每次从头开始计算相比，个人预测可以在普通笔记本电脑上完成，大大降低了成本和碳足迹。
作者透露，DeepMind正在向其他人发布这个经过训练的系统。目前，它主要适用于分子，而不是材料的晶体结构，但未来版本也可能适用于材料。
波兰罗兹理工大学计算化学家Katarzyna Pernal说，该研究论文是一篇“坚实的作品”。但她认为，让机器学习模型对计算化学家有用，还有很长的路要走。
相关论文信息：
https://doi.org/10.1126/science.abj6511（辛雨）
相关人物
