DeepMind 神经网络打开了理解电子相互作用的新窗口

DeepMind 的新研究表明，神经网络可用于构建比以前更准确的电子密度和相互作用图。结果是使科学家能够更好地理解将分子结合在一起的电子之间的相互作用迈出的一步，它还显示了深度学习在量子力学水平上准确模拟物质的前景——

这可能使研究人员能够改进计算机设计在纳米级探索有关材料、药物和催化剂的问题。描述量子物质基本性质的密度泛函理论 (DFT) 于 50 多年前首次建立。它已成为预测化学、生物学和材料科学中电子相互作用特性的主要方法。然而，电子密度和相互作用能之间映射的确切性质——即所谓的密度泛函——长期以来一直未被科学理解。

因此，即使是最先进的 DFT 泛函在描述分数电子电荷和自旋时也受到基本系统错误的困扰。为了解决这些限制，James Kirkpatrick 及其同事使用 DeepMind 平台开发了一个框架，以根据准确的化学数据和分数电子约束来训练神经网络，从而产生功能性的“DM21”。根据作者的说法，DM21 能够学习没有两个关键系统误差的泛函，即离域误差和自旋对称破坏，这导致比以前的平台更好地模拟广泛的化学反应。“由 Kirkpatrick 开发的 DM21 的重要性等。并不是它产生了最终的密度泛函，而是人工智能方法解决了分数电子和自旋问题，这些问题阻碍了创建泛函的直接分析解决方案，”Jon Perdew 在相关的 Perspective 中写道。

标签：