DeepMind利用神经网络可更准确描述化学系统中的电子相互作用

近日发表在《Science》上的一篇论文中，DeepMind 团队展示了如何利用神经网络，从而实现比现有方法更准确地描述化学系统中的电子相互作用。建立于 20 世纪 60 年代的密度函数理论（Density Functional Theory）描述了电子密度和相互作用能量之间的映射关系。
50 多年来，电子密度和相互作用能量之间映射的确切性质，也就是密度函数一直是未知的。在该领域的一项重大进展中，DeepMind 已经表明，神经网络可以用来建立一个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，并将精确的属性纳入训练数据，DeepMind 能够训练模型，以学习没有两个重要的系统性错误--脱焦错误（delocalization error）和自旋对称性破坏（spin symmetry breaking），从而更好地描述一大类化学反应。
在短期内，这将使研究人员有能力通过该代码提供的精确密度函数的改进近似值，以便立即使用。从长远来看，这是显示深度学习在精确模拟量子力学水平上的承诺的又一步骤--通过允许研究人员在纳米级水平上探索有关材料、药品和催化剂的问题，这可能会在计算机中实现材料设计。
DeepMind 的研究科学家 James Kirkpatrick 说：“了解纳米级的技术在帮助我们解决21世纪的一些重大挑战方面正变得越来越关键，从清洁电力到塑料污染。"这项研究是朝着正确的方向迈出的一步，使我们能够更好地理解电子之间的相互作用，这是维系分子的粘合剂”。
为了加快该领域的进展，DeepMind已经免费提供了该论文和开源代码。