著名的人工智能企業“深度思維”的新研究表明，神經網絡可用于構建比以前更準確的電子密度和相互作用圖。該研究有助于科學家更好地理解將分子結合在一起的電子之間的相互作用，還顯示了深度學習在量子力學水平上準確模擬物質的前景，使研究人員能夠改進計算機設計，在納米級水平探索有關材料、藥物和催化劑的問題。
描述量子物質基本性質的密度泛函理論(DFT)于50多年前首次建立，已成為預測化學、生物學和材料科學中電子相互作用特性的主要方法。然而，電子密度和相互作用能量之間映射的確切性質，即所謂的密度泛函，長期以來一直未被理解。因此，即使是最先進的DFT泛函在描述分數電子電荷和自旋時也受到基本系統誤差的困擾。
為了解決這些限制，“深度思維”研究人員詹姆斯·柯克帕特里克及其同事使用該公司的平臺開發了一個框架，用于在準確的化學數據和分數電子約束上訓練神經網絡，從而產生功能性的“DM21”。
通過將函數表達為神經網絡并將精確的屬性合并到訓練數據中，DM21能夠學習沒有兩個重要系統誤差(離域誤差和自旋對稱性破壞)的函數，這導致比以前的平臺更好地模擬廣泛的化學反應類別。DM21的重要性并不在于它產生了最終的密度泛函，而是人工智能方法解決了分數電子和自旋問題，這些問題阻礙了創建泛函的直接分析解決方案。
在短期內，這將使研究人員能夠通過代碼可用性來改進精確密度泛函的近似值，以便立即使用。從長遠來看，這進一步顯示了深度學習在量子力學水平上準確模擬物質的前景，將允許研究人員在納米級水平上探索有關材料、藥物和催化劑的問題，來實現計算機中的材料設計。
“了解納米級技術對于幫助我們應對21世紀的一些主要挑戰變得越來越重要，從清潔電力到塑料污染。”柯克帕特里克說，“這項研究是朝著正確方向邁出的一步，使我們能夠更好地了解電子之間的相互作用，電子是將分子固定在一起的膠水。”
為了加速該領域的進步，“深度思維”已經發布了這篇論文，并免費提供了開源代碼。(張夢然)
