據(jù)9日《科學》雜志發(fā)表的一篇論文，著名的人工智能企業(yè)“深度思維”的新研究表明，神經(jīng)網(wǎng)絡(luò)可用于構(gòu)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(jié)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(zhì)的前景，使研究人員能夠改進計算機設(shè)計，在納米級水平探索有關(guān)材料、藥物和催化劑的問題。
描述量子物質(zhì)基本性質(zhì)的密度泛函理論（DFT）于50多年前首次建立，已成為預(yù)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(zhì)，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(shù)電子電荷和自旋時也受到基本系統(tǒng)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(fā)了一個框架，用于在準確的化學數(shù)據(jù)和分數(shù)電子約束上訓練神經(jīng)網(wǎng)絡(luò)，從而產(chǎn)生功能性的“DM21”。
通過將函數(shù)表達為神經(jīng)網(wǎng)絡(luò)并將精確的屬性合并到訓練數(shù)據(jù)中，DM21能夠?qū)W習沒有兩個重要系統(tǒng)誤差（離域誤差和自旋對稱性破壞）的函數(shù)，這導(dǎo)致比以前的平臺更好地模擬廣泛的化學反應(yīng)類別。DM21的重要性并不在于它產(chǎn)生了最終的密度泛函，而是人工智能方法解決了分數(shù)電子和自旋問題，這些問題阻礙了創(chuàng)建泛函的直接分析解決方案。
在短期內(nèi)，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(zhì)的前景，將允許研究人員在納米級水平上探索有關(guān)材料、藥物和催化劑的問題，來實現(xiàn)計算機中的材料設(shè)計。
“了解納米級技術(shù)對于幫助我們應(yīng)對21世紀的一些主要挑戰(zhàn)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(lǐng)域的進步，“深度思維”已經(jīng)發(fā)布了這篇論文，并免費提供了開源代碼。
來源：科技日報
