https://mp.weixin.qq.com/s/NVrUhmedpVGjokje3XxVgw DeepMind AI 解决了化学中最有价值的技术之一
ScienceAI ScienceAI 2021-12-16 11:51
编辑 | 萝卜皮
图片
由总部位于伦敦的人工智能公司 DeepMind 的科学家领导的团队开发了一种机器学习模型，该模型通过预测分子内的电子分布来暗示分子的特征。12 月 10 日出版的《Science》杂志中描述了这种方法，它可以比现有技术更准确地计算某些分子的特性。
图片
论文链接：
https://www.science.org/doi/10.1126/science.abj6511维也纳大学的材料科学家 Anatole von Lilienfeld 说：「像他们所做的那样准确是一项壮举。」
波兰罗兹理工大学的计算化学家 Katarzyna Pernal 说，这篇论文是「一项坚实的工作」。但她补充说，机器学习模型在对计算化学家有用之前还有很长的路要走。
预测属性
原则上，材料和分子的结构完全由量子力学决定，特别是由控制电子波函数行为的薛定谔方程决定。这些是描述在空间中特定位置找到特定电子的概率的数学小工具。DeepMind 的物理学家 James Kirkpatrick 说，由于所有电子都相互相互作用，因此根据第一原理计算结构或分子轨道是计算上的噩梦，而且只能对最简单的分子（如苯）进行计算。
为了解决这个问题，研究人员——从药理学家到电池工程师——他们的工作依赖于发现或开发新分子几十年来一直依赖于一组称为密度泛函理论（DFT）的技术来预测分子的物理特性。该理论并不试图模拟单个电子，而是旨在计算电子负电荷在整个分子中的整体分布。「DFT 着眼于平均电荷密度，因此它不知道单个电子是什么。」柯克帕特里克说， 然后可以从该密度轻松计算出物质的大多数属性。
自 1960 年代开始，DFT 已成为物理科学中使用最广泛的技术之一：《Nature》2014 年的一项调查发现，在被引用次数最多的 100 篇论文中，有 12 篇与 DFT 有关。材料属性的现代数据库，例如 Materials Project，在很大程度上包含 DFT 计算。
图片
论文链接：
https://www.nature.com/news/the-top-100-papers-1.16224但是这种方法有局限性，并且已知会对某些类型的分子给出错误的结果，甚至有些像氯化钠一样简单。尽管 DFT 计算比从基本量子理论开始的计算效率高得多，但它们仍然很麻烦，并且通常需要超级计算机。因此，在过去十年中，理论化学家越来越多地开始尝试机器学习，特别是研究材料的化学反应性或导热能力等特性。
理想问题
DeepMind 团队进行了迄今为止最为雄心勃勃的尝试，从而部署 AI 来计算电子密度，这是 DFT 计算的最终结果。「这是机器学习的理想问题：你知道答案，但不知道你想要应用的公式。」长期从事 DFT 研究的理论化学家 Aron Cohen 说，他现在是 DeepMind 团队成员。
该团队使用源自薛定谔方程的 1,161 个准确解的数据训练人工神经网络。为了提高准确性，他们还将一些已知的物理定律硬连接到网络中。von Lilienfeld 说，然后他们在一组经常用作 DFT 基准的分子上测试了训练有素的系统，结果令人印象深刻。「这是社区设法提出的最好的方案，他们以微弱优势击败了它。」他说。
von Lilienfeld 补充说，机器学习的一个优势是，尽管训练模型需要大量的计算能力，但该过程只需执行一次。然后可以在普通笔记本电脑上完成个人预测，与每次都必须从头开始计算相比，大大降低了成本和碳足迹。
Kirkpatrick 和 Cohen 说，DeepMind 正在发布他们训练有素的系统供任何人使用。作者表示，目前，该模型主要适用于分子而不是材料的晶体结构，但未来的版本也适用于材料。
论文链接：
https://www.nature.com/articles/d41586-021-03697-8--
FROM 202.121.181.*