人工智能機器學習可以比傳統方法更精確地計算製造或破壞分子所需的能量，雖然人工智能機器學習目前只能處理簡單分子，但它為未來對量子化學的洞察鋪平了道路。紐約市熨斗研究所計算量子物理中心的研究科學家朱塞佩·卡萊奧(Giuseppe Carleo)説：幾年來，使用機器學習來解決量子化學的基本方程式，一直是一個懸而未決的問題，現在圍繞着它有很多令人興奮的事情。
更好地理解分子的形成和破壞，可以揭示對生命至關重要的化學反應內部運作。Carleo和蘇黎世大學Kenny Choo和紐約約克敦高地IBM Thomas J.Watson研究中心的Antonio Mezzacapo共同在《自然通訊》期刊上發表了他們的新研究成果。該研究團隊用人工智能機器學習估計了組裝或拆分分子(如水或氨)所需的能量。這種計算需要確定分子的電子結構，它由將分子結合在一起的電子集體行為組成。
分子的電子結構是一件很難計算的事情，需要確定分子的電子可能處於的所有勢態，加上每個能態的概率。由於電子相互作用並以量子力學糾纏在一起，科學家不能單獨研究它們。隨着更多電子，更多的糾纏突然出現，這個問題變得越來越困難。對於比在一對氫原子中發現兩個電子更復雜的分子，不存在精確的解。即使是近似值，當它們涉及幾個以上的電子時，也難以達到精確度。其中一個挑戰是，分子的電子結構，包括無限多個離原子越來越遠的軌道能態。
另外，一個電子和另一個電子是不可區分的，兩個電子不能佔據相同的能態。後一規則是交換對稱性的結果，交換對稱性決定了當完全相同的粒子轉換能態時會發生什麼。Mezzacapo和IBM Quantum的同事們開發了一種方法，用於限制所考慮軌道數量並施加交換對稱性。這種方法基於為量子計算應用開發的方法，使問題更類似於電子被限制在預設位置的場景，例如在剛性晶格中，與剛性晶格的相似性，是使問題更易於管理的關鍵。
Carleo之前訓練人工智能神經網絡來重建侷限於晶格位置的電子行為，通過擴展這些方法，研究人員可以估計Mezzacapo問題的解決方案。研究團隊訓練的神經網絡計算每種能態的概率，使用這個概率，研究人員可以估計給定能態的能量。，能級，稱為平衡能，是分子最穩定的地方。研究人員的創新使計算基本分子的電子結構變得更簡單、更快。研究人員通過估計將現實世界中的分子“分開”需要多少能量，打破分子鍵，證明了其方法的準確性。
研究對氫氣(H2)、氫化鋰(LiH)、氨(NH3)、水(H2O)、雙原子碳(C2)和氮氣(N2)進行了計算。對於所有的分子，該研究小組的估計被證明是高度準確的，即使在現有方法難以實現的範圍內也是如此。在未來，研究目標是通過使用更復雜的神經網絡來處理更大、更復雜的分子。其中一個目標是處理那些在氮循環中發現的化學物質，在這個過程中，生物過程建立和破壞基於氮的分子，使它們能夠用於生命。
研究人員表示：希望這能成為化學家用來處理這些問題的一種工具。Carleo、Choo和Mezzacapo並不是唯一利用機器學習來解決量子化學問題的人，此前研究人員於2019年9月首次在《arxiv》上展示了他們研究。同月，德國一個小組和倫敦谷歌DeepMind的另一個小組，分別發佈了利用機器學習重建分子電子結構的研究。另外兩個小組彼此使用類似的方法，不限制所考慮的軌道數量。
然而，這種包容性在計算上更加繁瑣，這一缺點只會在更復雜的分子中惡化。在相同計算資源下，Carleo，Choo和Mezzacapo的方法有更高的精度，但為了獲得這種精度而進行的簡化可能會引入偏差。總體而言，這是在偏見和準確性之間的權衡，目前還不清楚這兩種方法中哪一種在未來更具潛力，只有時間會告訴我們，這些方法中的哪些，可以擴大到化學中具有挑戰性的開放問題。
博科園｜研究/來自：西蒙斯基金會
研究發表期刊《自然通訊》
DOI: 10.1038/s41467-020-15724-9
博科園｜科學、科技、科研、科普
關注【博科園】看更多大美宇宙科學