OMGitsxTacos
2022-02-12T07:10:30+00:00
伦敦人工智能公司DeepMind的科学家领导的一个团队开发了一种机器学习模型，该模型能通过预测分子中电子的分布来预测分子的特性。这种方法发表于12月10日的《科学》杂志上[1]，它可以比现有技术更准确地计算一些分子的性质。
维也纳大学的材料科学家Anatole von Lilienfeld说，“能做到如此精确是一项壮举。”
波兰罗兹理工大学的计算化学家Katarzyna Pernal说，这篇论文是“一项扎实的工作”。但她补充说，在能为计算化学家所用之前，机器学习模型还有很长的路要走。
预测性质
原则上，材料和分子的结构完全由量子力学决定，特别是由支配电子波函数行为的薛定谔方程(Schrödinger equation)决定。这些数学工具能描述特定电子在特定空间位置出现的概率。但是DeepMind的物理学家James Kirkpatrick说，因为所有的电子之间都存在相互作用，所以根据这样的第一性原理(first principle)计算结构或分子轨道异常棘手，仅能对最简单的分子进行计算，比如苯。
为了避开这个问题，那些依赖新分子的发现或开发的研究人员——从药理学家到电池工程师，几十年来一直使用一套被称为密度泛函理论(DFT)的技术来预测分子的物理性质。该理论并不模拟单个电子，而是计算电子负电荷在分子中的总体分布。“DFT着眼于平均电荷密度，所以它不知道单个电子的状态。”Kirkpatrick说。物质的大多数性质可以根据该密度轻易地计算出来。
自20世纪60年代DFT建立以来，它已经成为物理科学中应用最广泛的技术之一：2014年，《自然》新闻团队的一项调查发现，在被引次数最多的100篇论文中，有12篇是关于DFT的。材料性质的现代数据库，如Materials Project，很大程度上由DFT计算的数据组成。
但是这种方法有局限性，而且现在已经知道它会对某些类型的分子给出错误的结果，甚至包括氯化钠这样简单的分子。尽管DFT已经比基于基本量子理论的计算要高效得多，但它们仍然很耗时，并且通常需要超级计算机。因此，在过去的十年里，理论化学家越来越多地开始用机器学习进行实验，特别是用在材料的化学反应活性或导热能力等性质的研究上。
理想问题
DeepMind团队可能做出了迄今为止最具野心的尝试，他们利用人工智能来计算电子密度，这是DFT计算的最终结果。“在某种程度上这属于理想的机器学习问题：你知道答案，但不知道想用什么计算公式。”理论化学家Aron Cohen说。他长期从事DFT研究，目前在DeepMind工作。
该团队用薛定谔方程导出的1161个精确解数据训练了一个人工神经网络。为了提高其准确性，他们还将一些已知的物理定律硬连接进了神经网络中。von Lilienfeld说，他们随后用一组DFT计算常用的标准分子测试了训练好的系统，结果很出色。“这是研究群体目前能得到的最好结果了，而他们大获全胜。”他说。
von Lilienfeld补充说，机器学习有个优点是，尽管训练模型需要海量的计算能力，但这个过程只要做一次，之后就能在普通笔记本电脑进行独立的预测运算。与每次都从头开始计算相比，机器学习模型大大降低了成本和碳足迹。
Kirkpatrick和Cohen说，DeepMind正在发布他们训练好的系统供任何人使用。作者表示，目前该模型主要适用于分子，而不适用于材料的晶体结构计算，但之后的版本也可能会适用于材料。
维也纳大学的材料科学家Anatole von Lilienfeld说，“能做到如此精确是一项壮举。”
波兰罗兹理工大学的计算化学家Katarzyna Pernal说，这篇论文是“一项扎实的工作”。但她补充说，在能为计算化学家所用之前，机器学习模型还有很长的路要走。
预测性质
原则上，材料和分子的结构完全由量子力学决定，特别是由支配电子波函数行为的薛定谔方程(Schrödinger equation)决定。这些数学工具能描述特定电子在特定空间位置出现的概率。但是DeepMind的物理学家James Kirkpatrick说，因为所有的电子之间都存在相互作用，所以根据这样的第一性原理(first principle)计算结构或分子轨道异常棘手，仅能对最简单的分子进行计算，比如苯。
为了避开这个问题，那些依赖新分子的发现或开发的研究人员——从药理学家到电池工程师，几十年来一直使用一套被称为密度泛函理论(DFT)的技术来预测分子的物理性质。该理论并不模拟单个电子，而是计算电子负电荷在分子中的总体分布。“DFT着眼于平均电荷密度，所以它不知道单个电子的状态。”Kirkpatrick说。物质的大多数性质可以根据该密度轻易地计算出来。
自20世纪60年代DFT建立以来，它已经成为物理科学中应用最广泛的技术之一：2014年，《自然》新闻团队的一项调查发现，在被引次数最多的100篇论文中，有12篇是关于DFT的。材料性质的现代数据库，如Materials Project，很大程度上由DFT计算的数据组成。
但是这种方法有局限性，而且现在已经知道它会对某些类型的分子给出错误的结果，甚至包括氯化钠这样简单的分子。尽管DFT已经比基于基本量子理论的计算要高效得多，但它们仍然很耗时，并且通常需要超级计算机。因此，在过去的十年里，理论化学家越来越多地开始用机器学习进行实验，特别是用在材料的化学反应活性或导热能力等性质的研究上。
理想问题
DeepMind团队可能做出了迄今为止最具野心的尝试，他们利用人工智能来计算电子密度，这是DFT计算的最终结果。“在某种程度上这属于理想的机器学习问题：你知道答案，但不知道想用什么计算公式。”理论化学家Aron Cohen说。他长期从事DFT研究，目前在DeepMind工作。
该团队用薛定谔方程导出的1161个精确解数据训练了一个人工神经网络。为了提高其准确性，他们还将一些已知的物理定律硬连接进了神经网络中。von Lilienfeld说，他们随后用一组DFT计算常用的标准分子测试了训练好的系统，结果很出色。“这是研究群体目前能得到的最好结果了，而他们大获全胜。”他说。
von Lilienfeld补充说，机器学习有个优点是，尽管训练模型需要海量的计算能力，但这个过程只要做一次，之后就能在普通笔记本电脑进行独立的预测运算。与每次都从头开始计算相比，机器学习模型大大降低了成本和碳足迹。
Kirkpatrick和Cohen说，DeepMind正在发布他们训练好的系统供任何人使用。作者表示，目前该模型主要适用于分子，而不适用于材料的晶体结构计算，但之后的版本也可能会适用于材料。