明敏 發自 凹非寺
量子位 報道 | 公衆号 QbitAI
現在，AI能在量子層面精準描述物質了！
在最新一期《科學》雜志上，DeepMind建構的神經網絡可以預測分子内電子分布，進而計算出分子特性。
這距離DeepMind登上《Nature》封面、解決兩大數學難題，僅僅過去了一個星期。
而這一突破對于AI、化學、材料學領域都有重要影響。
一方面，這意味着深度學習在準确模拟量子層面物質上大有前景；另一方面，這對于在納米尺度探索材料、醫學、催化劑等物質都具有重要影響。
DeepMind還表示，他們将開源這一成果給全球科研人員用！
怪不得網友會發出感歎：
DeepMind——YYDS！
《Nature》稱這将是化學領域中最有價值的技術之一：
用MLP解決電子互相作用問題
這一次DeepMind解決的問題是密度泛函理論 （DFT）有關。
DFT是一種通過計算分子内電子密度來研究多電子體系電子結構的方法，它可以在量子水準上描述物質，
通過近似的方法，DFT先把複雜的電子互相作用問題簡化為無作用問題，再将所有誤差另放在一項中，對誤差單獨分析。
在過去幾十年中，它已經成為預測化學、生物學和材料中各種系統特性時最常用的方法之一。
但目前這一方法仍舊存在一定局限性。
一方面，它存在離域化誤差。
在DFT計算中，泛函會找到能量最小化時的電子構型來推斷分子的電子密度。由此函數誤差就會帶來電子誤差。
大多數已有密度泛函都會錯誤地将電子密度分布在幾個原子或分子上，而不是将其确定在單個分子或原子周圍。
△左圖為傳統方法，右圖為DeepMind提出方法
另一個主要誤差來自于自旋對稱性破壞。
如果描述結構中的化學鍵斷裂時，現有的泛函會給出一種自旋對稱性被破壞的構型。
但是對稱性對于研究實體、化學構型有着重要作用，是以目前方法的這一缺陷也就造成了很大的誤差。
在對比中可以看出，PBE方法打破了自旋對稱性。
由此，DeepMind提出了一種神經網絡——DeepMind 2021 （簡稱DM21）。
這一架構使用了多層感覺器 （MLP），它能映射一組輸入向量到一組輸出向量。
在向一個權值共享的MLP中輸入自旋指數電荷密度等精密化學資料後，它可以預測局部電荷密度的增強值和局部能量密度。
将這些數值整合後，再向函數中增加色散校正DFT。
經過訓練後，就可以在自洽計算中部署這一模型。
在具體資料對比中，DM21的誤內插補點都低于傳統方法。
也就是說，DM21可以精準地模拟複雜系統，如氫鍵鍊（hydrogen chains）、帶電荷DNA堿基對和雙自由基體系的過渡态。
實驗結果顯示，在不同基準（GMTKN55\BBB\QM9）上，DM21的絕對誤內插補點均小于普通方法。
由此不難得出，DM21可以建構出比DFT方法更為精确地描述電子互相作用，深度學習在量子層面精準模拟物質也将大有前景。
已用AI震驚生物界、數學界
本次研究成果的一作為谷歌DeepMind研究學者James Kirkpatrick。
他表示，了解微觀現象對于清潔電力、微塑膠污染等方面研究都有重要意義。
這對研究人員在納米水準上探索新材料、藥物開發和催化劑等問題，也都有深刻影響。
而這已經不是DeepMind第一次用AI震驚科學界。
在今年，他們用AlphaFold2預測了人類98.5%的蛋白質，一時間震驚生物學界。
不久前，他們用AI突破兩大數學難題還登上《Nature》封面，對紐結理論、表示論都産生深刻影響。