現(xiàn)在，AI 能在量子層面精準描述物質(zhì)了！在最新一期《科學》雜志上，DeepMind 構(gòu)建的神經(jīng)網(wǎng)絡(luò)可以預測分子內(nèi)電子分布，從而計算出分子特性。

這距離 DeepMind 登上《Nature》封面、解決兩大數(shù)學難題，僅僅過去了一個星期。

而這一突破對于 AI、化學、材料學領(lǐng)域都有重要影響。

一方面，這意味著深度學習在準確模擬量子層面物質(zhì)上大有前景；另一方面，這對于在納米尺度探索材料、醫(yī)學、催化劑等物質(zhì)都具有重要影響。

DeepMind 還表示，他們將開源這一成果給全球科研人員用！

《Nature》稱這將是化學領(lǐng)域中最有價值的技術(shù)之一：

用 MLP 解決電子相互作用問題

這一次 DeepMind 解決的問題是密度泛函理論 （DFT）有關(guān)。

DFT 是一種通過計算分子內(nèi)電子密度來研究多電子體系電子結(jié)構(gòu)的方法，它可以在量子水平上描述物質(zhì)，通過近似的方法，DFT 先把復雜的電子相互作用問題簡化為無作用問題，再將所有誤差另放在一項中，對誤差單獨分析。

在過去幾十年中，它已經(jīng)成為預測化學、生物學和材料中各種系統(tǒng)特性時最常用的方法之一。但目前這一方法仍舊存在一定局限性。

一方面，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(gòu)型來推斷分子的電子密度。由此函數(shù)誤差就會帶來電子誤差。

大多數(shù)已有密度泛函都會錯誤地將電子密度分布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。

▲ 左圖為傳統(tǒng)方法，右圖為 DeepMind 提出方法

另一個主要誤差來自于自旋對稱性破壞。

如果描述結(jié)構(gòu)中的化學鍵斷裂時，現(xiàn)有的泛函會給出一種自旋對稱性被破壞的構(gòu)型。

但是對稱性對于研究物理、化學構(gòu)型有著重要作用，所以當前方法的這一缺陷也就造成了很大的誤差。

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(jīng)網(wǎng)絡(luò) ——DeepMind 2021 （簡稱 DM21）。

這一框架使用了多層感知器 （MLP），它能映射一組輸入向量到一組輸出向量。

在向一個權(quán)值共享的 MLP 中輸入自旋指數(shù)電荷密度等精密化學數(shù)據(jù)后，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(shù)值整合后，再向函數(shù)中增加色散校正 DFT。經(jīng)過訓練后，就可以在自洽計算中部署這一模型。在具體數(shù)據(jù)對比中，DM21 的誤差值都低于傳統(tǒng)方法。

也就是說，DM21 可以精準地模擬復雜系統(tǒng)，如氫鍵鏈（hydrogen chains）、帶電荷 DNA 堿基對和雙自由基體系的過渡態(tài)。

實驗結(jié)果顯示，在不同基準（GMTKN55\BBB\QM9）上，DM21 的絕對誤差值均小于普通方法。

由此不難得出，DM21 可以構(gòu)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準模擬物質(zhì)也將大有前景。

已用 AI 震驚生物界、數(shù)學界

本次研究成果的一作為谷歌 DeepMind 研究學者 James Kirkpatrick。他表示，了解微觀現(xiàn)象對于清潔電力、微塑料污染等方面研究都有重要意義。

這對研究人員在納米水平上探索新材料、藥物開發(fā)和催化劑等問題，也都有深刻影響。

而這已經(jīng)不是 DeepMind 第一次用 AI 震驚科學界。在今年，他們用 AlphaFold2 預測了人類 98.5% 的蛋白質(zhì)，一時間震驚生物學界。

不久前，他們用 AI 突破兩大數(shù)學難題還登上《Nature》封面，對紐結(jié)理論、表示論都產(chǎn)生深刻影響。