人工智能解决了量子化学中最困难的挑战之一

新研究利用神经网络(一种受大脑启发的人工智能)解决了分子状态建模这一严峻挑战。

这项研究表明该技术如何帮助解决复杂分子系统中的基本方程。这可能会在未来带来实际用途，帮助研究人员在实验室中尝试制造新材料和化学合成之前，先使用计算机模拟来制作原型。

该研究由伦敦帝国理工学院和谷歌 DeepMind 科学家领导，发表在《科学》杂志上。

激发分子

该团队研究了分子如何转变到激发态和从激发态转变而来的问题。当分子和材料受到大量能量的刺激，例如暴露在光或高温下时，它们的电子会被踢入一种暂时的新结构，称为激发态。

分子在状态间转换时吸收和释放的确切能量量为不同的分子和材料创建了独特的指纹。这影响了从太阳能电池板和 LED 到半导体和光催化剂等技术的性能。它还在涉及光的生物过程(包括光合作用和视觉)中发挥关键作用。

然而，这种指纹极难建模，因为激发电子本质上是量子的，这意味着它们在分子中的位置永远不确定，只能用概率来表示。

首席研究员、谷歌 DeepMind 和帝国理工学院物理系的 David Pfau 博士表示：“表示量子系统的状态极具挑战性。必须为电子位置的每种可能配置分配一个概率。

“所有可能配置的空间是巨大的——如果你试图将它表示为一个每个维度有 100 个点的网格，那么硅原子可能的电子配置数量将大于宇宙中的原子数量。这正是我们认为深度神经网络可以提供帮助的地方。”

神经网络

研究人员开发了一种新的数学方法，并将其与名为FermiNet(费米子神经网络)的神经网络一起使用，这是第一个使用深度学习从基本原理计算原子和分子能量的例子，其精度足够实用。

该团队用一系列实例测试了他们的方法，并获得了令人满意的结果。在一种名为碳二聚体的小型复杂分子上，他们实现了 4 meV(毫电子伏特——一种微小的能量单位)的平均绝对误差 (MAE)，这比之前达到 20 meV 的黄金标准方法更接近实验结果五倍。

Pfau 博士表示：“我们在计算化学中一些最具挑战性的系统上测试了我们的方法，其中两个电子同时被激发，结果发现我们与迄今为止最严格、最复杂的计算的误差在 0.1 eV 左右。

“今天，我们将我们的最新研究成果开源，并希望研究界能够以我们的方法为基础，探索物质与光相互作用的意想不到的方式。”