DeepMind 的新研究表明，神經(jīng)網(wǎng)絡可用于構(gòu)建比以前更準確的電子密度和相互作用圖。結(jié)果是使科學家能夠更好地理解將分子結(jié)合在一起的電子之間的相互作用邁出的一步，它還顯示了深度學習在量子力學水平上準確模擬物質(zhì)的前景——
這可能使研究人員能夠改進計算機設計在納米級探索有關(guān)材料、藥物和催化劑的問題。描述量子物質(zhì)基本性質(zhì)的密度泛函理論 (DFT) 于 50 多年前首次建立。它已成為預測化學、生物學和材料科學中電子相互作用特性的主要方法。然而，電子密度和相互作用能之間映射的確切性質(zhì)——即所謂的密度泛函——長期以來一直未被科學理解。
因此，即使是最先進的 DFT 泛函在描述分數(shù)電子電荷和自旋時也受到基本系統(tǒng)錯誤的困擾。為了解決這些限制，James Kirkpatrick 及其同事使用 DeepMind 平臺開發(fā)了一個框架，以根據(jù)準確的化學數(shù)據(jù)和分數(shù)電子約束來訓練神經(jīng)網(wǎng)絡，從而產(chǎn)生功能性的“DM21”。根據(jù)作者的說法，DM21 能夠?qū)W習沒有兩個關(guān)鍵系統(tǒng)誤差的泛函，即離域誤差和自旋對稱破壞，這導致比以前的平臺更好地模擬廣泛的化學反應。“由 Kirkpatrick 開發(fā)的 DM21 的重要性等。并不是它產(chǎn)生了最終的密度泛函，而是人工智能方法解決了分數(shù)電子和自旋問題，這些問題阻礙了創(chuàng)建泛函的直接分析解決方案，”Jon Perdew 在相關(guān)的 Perspective 中寫道。
標簽：
免責聲明：本文由用戶上傳，與本網(wǎng)站立場無關(guān)。財經(jīng)信息僅供讀者參考，并不構(gòu)成投資建議。投資者據(jù)此操作，風險自擔。 如有侵權(quán)請聯(lián)系刪除！