DeepMind利用神經網絡可更準確描述化學系統中的電子相互作用
近日發表在《Science》上的一篇論文中，DeepMind 團隊展示瞭如何利用神經網絡，從而實現比現有方法更準確地描述化學系統中的電子相互作用。建立於20 世紀60 年代的密度函數理論（Density Functional Theory）描述了電子密度和相互作用能量之間的映射關係。
50 多年來，電子密度和相互作用能量之間映射的確切性質，也就是密度函數一直是未知的。在該領域的一項重大進展中，DeepMind 已經表明，神經網絡可以用來建立一個比以前更準確的電子密度和相互作用圖。
通過將函數表達為神經網絡，並將精確的屬性納入訓練數據，DeepMind 能夠訓練模型，以學習沒有兩個重要的系統性錯誤–脫焦錯誤（delocalization error）和自旋對稱性破壞（spin symmetry breaking），從而更好地描述一大類化學反應。
在短期內，這將使研究人員有能力通過該代碼提供的精確密度函數的改進近似值，以便立即使用。從長遠來看，這是顯示深度學習在精確模擬量子力學水平上的承諾的又一步驟–通過允許研究人員在納米級水平上探索有關材料、藥品和催化劑的問題，這可能會在計算機中實現材料設計。
DeepMind 的研究科學家James Kirkpatrick 說：“了解納米級的技術在幫助我們解決21世紀的一些重大挑戰方面正變得越來越關鍵，從清潔電力到塑料污染。”這項研究是朝著正確的方向邁出的一步，使我們能夠更好地理解電子之間的相互作用，這是維繫分子的粘合劑”。
為了加快該領域的進展，DeepMind已經免費提供了該論文和開源代碼。