在《科学》杂志发表的一篇论文中，DeepMind 展示了神经网络如何改进密度泛函(一种用于描述化学系统中电子相互作用的方法)的近似值。
这说明了深度学习在量子力学水平上准确模拟物质的前景。
除了论文，DeepMind 还将开源代码，为其他人提供研究基础。
伦敦，美国东部标准时间 14:00，2021 年 12 月 9 日 -在今天发表在科学杂志《科学》上的一篇论文中， DeepMind 展示了如何使用神经网络比现有方法更准确地描述化学系统中的电子相互作用。
1960 年代建立的密度泛函理论描述了电子密度和相互作用能之间的映射。50 多年来，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——仍然未知。在该领域的重大进展中，DeepMind 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。
通过将函数表达为神经网络并将精确的属性合并到训练数据中，DeepMind 能够训练模型以学习没有两个重要系统错误(离域误差和自旋对称破坏)的函数，从而更好地描述广泛的化学反应类。
在短期内，这将使研究人员能够通过我们的代码的可用性来改进精确密度泛函的近似值，以便立即使用。从长远来看，这是显示深度学习在量子力学水平上准确模拟物质的前景的又一步——这可能通过允许研究人员在纳米级探索有关材料、药物和催化剂的问题来实现计算机中的材料设计。
DeepMind 的研究科学家 James Kirkpatrick 说：“了解纳米级技术对于帮助我们应对 21 世纪的一些主要挑战变得越来越重要，从清洁电力到塑料污染。” “这项研究是朝着正确方向迈出的一步，使我们能够更好地了解电子之间的相互作用，电子是将分子固定在一起的胶水。”
标签：
免责声明：本文由用户上传，如有侵权请联系删除！