DeepMind 構建的神經網絡可以預測分子內的電子分佈，從而計算出分子特性，這一突破對於 AI、化學、材料科學領域都有重要影響，意味著深度學習在準確模擬量子層面物質上大有前景，這對於在納米尺度探索物料、醫學、催化劑等物質都具有重要影響。
DeepMind 今次解決的問題與密度泛函理論 （DFT）有關，DFT 是一種通過計算分子內電子密度來研究多電子體系電子結構的方法，它可以在量子水平中描述物質，通過近似的方法，DFT 先把複雜的電子相互作用問題簡化為無作用問題，再將所有誤差放在另一項，對誤差進行單獨分析。
在過去幾十年，它已經成為預測化學、生物學和物料中各種系統特性時最常用的方法之一，目前這一方法仍舊存在一定局限性，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造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將電子密度分佈在幾個原子或分子上，而不是將其確定在單個分子或原子周圍。
另一個主要誤差來自於自旋對稱性破壞，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，但是對稱性對於研究物理、化學構造有著重要作用，所以當前方法的這一缺陷也造成很大誤差。
在對比中可以看出，PBE
方法打破了自旋對稱性，由此DeepMind 提出了一種神經網路 ｢DeepMind 2021 ｣（簡稱 DM21）。這一框架使用多層感知器 （MLP），它能映射一組輸入向量到一組輸出向量。
在向一個權值共用的 MLP
中輸入自旋指數電荷密度等精密化學數據後，它可以預測局部電荷密度的增強值和局部能量密度。
將這些數值整合後，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。在具體數據對比中，DM21 的誤差值低於傳統方法，即是說DM21 可以精准地類比複雜系統，如氫鍵鏈（hydrogen chains）、帶電荷 DNA 堿基對和雙自由基體系的過渡態。
實驗結果顯示，在不同基準（GMTKN55\BBB\QM9）上，DM21 的絕對誤差值均小於普通方法。由此不難得出，DM21 可以構建出比 DFT 方法更為精確地描述電子相互作用，深度學習在量子層面精准模擬物質也將大有前景。
今次研究成果對瞭解微觀現象，包括清潔電力、微塑膠污染等方面研究都有重大意義。此外，對納米水平探索新物料、藥物開發和催化劑等問題，也有深刻影響。
今次已經不是 DeepMind 首次用 AI 震驚科學界，今年 AlphaFold2 預測了人類 98.5% 的蛋白質，一時間震驚生物醫學界。不久前，DeepMind用 AI 突破兩大數學難題，對紐結理論、表示論都產生深刻影響。
沒有留言:
發佈留言