本文经人工智能新媒体量子比特（公众号ID：QbitAI）授权转载，转载请联系出处。现在，人工智能可以准确描述量子层面的物质！在最新一期的《科学》杂志中，DeepMind构建的神经网络可以预测分子中电子的分布，从而计算出分子性质。首次在量子层面描述物质！《Nature：化学领域最有价值的技术之一》>DeepMind登上《Nature》封面仅一周时间，解决了两大数学难题，这一突破对AI、化学等领域具有重要意义，以及材料科学，一方面，这意味着深度学习在量子层面精确模拟物质方面具有广阔前景；另一方面，它对探索纳米尺度的材料、医药、催化剂等具有重要影响。DeepMind还表示他们将把这个成果开源给全世界的研究人员使用！难怪网友会感叹：DeepMind——YYDS！首次在量子层面描述物质！自然：最有价值的之一technologiesinthefieldofchemistry》>《Nature》表示，这将是化学领域最强大最有价值的技术之一：首次在量子层面描述物质！Nature：化学领域最有价值的技术之一》>利用MLP解决电子相互作用问题这次DeepMind解决的是密度泛函理论（DFT）相关的问题。DFT是一种通过计算电子来研究多电子系统的方法densityinmolecules电子结构法可以在量子层面上描述物质，DFT通过近似的方法，首先将复杂的电子相互作用问题简化为一个非作用问题，然后将所有的误差放在另一个项中，分别对误差进行分析。在过去的几十年里，它已经成为化学、生物和材料等领域最常用的预测各种体系性质的方法之一。!自然：化学中最有价值的技术之一”>一方面，它存在离域错误。在DFT计算中，泛函找到能量最小的电子构型，以推断分子的电子密度。因此，功能错误会导致电子错误。大多数现有的DFT错误地将电子密度分布在多个原子或分子上，而不是将其精确定位在单个分子或原子周围。另一个主要错误来自自旋对称性破缺。当描述结构中化学键的断裂时，现有的泛函给出了一种自旋对称性被破坏的构型。然而，对称性在物理和化学构型的研究中起着重要作用，因此现有方法的这一缺陷也造成了较大的误差。首次在量子层面描述物质！Nature：化学领域最有价值的技术之一”>对比可以看出，PBE方法打破了自旋对称性。为此，DeepMind提出了神经网络——DeepMind2021（简称DM21）。对于第一次在量子水平方向上描述物质！自然：化学中最有价值的技术之一”>该框架使用多层感知器（MLP），它将一组输入向量映射到一组输出向量。将自旋指数电荷密度等精确的化学数据输入权重共享MLP后，它可以预测局部电荷密度和局部能量密度的增强值。对这些值进行积分后，将色散校正DFT添加到函数中。训练完成后，模型可以部署在自洽计算中。在具体数据对比上，DM21的误差值低于传统方法。首次在量子层面描述物质！性质：化学领域最有价值的技术之一”>也就是说，DM21可以准确地模拟复杂的系统，例如氢链（hydrogenchains）、带电的DNA碱基对和双自由基系统的过渡态。实验结果它表明在不同的benchmark（GMTKN55\BBB\QM9）上，DM21的绝对误差值比普通方法要小，是第一次在量子水平上描述物质！性质：目前最有价值的技术之一化学领域”>不难得出结论，DM21有可能构建出比DFT方法更准确的电子相互作用描述，而深度学习在量子水平上准确模拟物质也将有很大的前景。谷歌DeepMind研究员JamesKirkpatrick的这一研究成果已经震惊了生物学界和数学界。他表示，了解微观现象对于研究清洁电力和微塑料污染具有重要意义。这也对研究人员在纳米级探索新材料、药物开发和催化剂具有深远的意义。而这并不是DeepMind第一次用AI震惊科学界。今年，他们用AlphaFold2预测了98.5%的人类蛋白质，一时间震惊了生物学界。前不久，他们用AI攻破了两大数学难题，还登上了的封面，对结论和表示论产生了深远的影响。论文地址：https://www.science.org/doi/10.1126/science.abj6511
