您所在的位置 > 主页 > 新闻中心 > 公司新闻 >
公司新闻
量子化学机器学习模拟:提供了诱人的化学前景
发布时间: 2020-04-29 来源:互联网 点击次数:

量子化学是应用量子力学的规律和方法来研究化学问题的一门交叉学科。将量子理论应用于原子体系还是分子体系是区分量子物理学与量子化学的标准之一。最早的量子化学计算是1927年布劳(.Burrau)对H+2离子以及同年瓦尔特·海特勒和弗里茨·伦敦对H2分子的计算,开创量子化学这一交叉学科。经过近八十年发展之后,量子化学已经成为化学家们广泛应用的一种理论方法。

当代量子化学模拟,英文:Quantum Chemistry Simulations,使用了人工智能及其机器学习通过量子化学理论与方法更准确地模拟原子和分子。最近,在arXiv预印服务器上发表了三篇关于当代量子化学模拟的重磅论文,分别为隶属于谷歌的Alphabet公司集团的DeepMind、IBM、伦敦帝国理工学院(Imperial College London)研究团队的论文。

每个团队都使用神经网络来表示围绕分子原子的电子的波函数。该波函数是薛定谔方程的数学解决方案,该方程描述了在分子周围可以找到电子的位置的概率。它提供了完全“解决化学问题”的诱人希望,可以完全准确地模拟反应。通常,该目标将需要不切实际的大量计算能力。现在,新的研究以更为合理的处理能力提供了相对较高精度的方案。

研究人员指出, “如果我们能够了解材料在最基本的原子级下是如何工作的,那么我们就可以更好地设计从光伏到药物分子的一切东西。”科学家们结合了深度机器学习和量子蒙特卡洛(Quantum Monte Carlo,简称QMC)方法。DeepMind研究人员和伦敦帝国理工学院将其称为费米网(Fermi Net)。

IBM科学家说,在化学领域,深度学习也许能够通过精确地找到原子周围的波函数来求解原子周围电子的薛定谔方程。“解决薛定谔方程实质上意味着找到一个函数,该函数指定一个分子中所有电子的哪个位置更有可能出现、哪个位置不太可能发生。”

“如果我们想真正准确可靠地求解薛定谔方程,则此类组分的绝对数量会随着电子数量的增加而呈指数增长。目前对于5个电子的系统来说,这几乎没有问题;对于10个电子来说相当困难;对于20个电子来说,这是不可能的。

许多研究人员一直在使用深度神经网络来解决量子力学中的问题。但是,由于其中两个电子不能同时在同一地点的泡利不相容原理,这引入了复杂的约束,这意味着不能只使用现成的神经网络。

因此,科学家们建立了定制的深度神经网络,以处理满足泡利不相容原理所需的复杂计算。他们使用了一种久经考验的方法,称为量子蒙特卡罗变分法(Variational QMC)。

首先,需要对系统状态进行初步猜测,该估计包括波函数和化学系统的能量。可以从该概率分布中随机采样电子的可能构型,然后计算所有这些不同构型下系统的平均能量。然后,从最初的猜测到能量稍低的步骤要走一小步,然后重复整个过程。一直这样做,直到能量不能再降低为止。

科学家们使用深度学习来训练他们的神经网络,以将电子的特性(例如距原子核的距离)转换为波动函数。 如果使用深度神经网络来近似系统的量子态,则可以使量子蒙特卡罗变分法变得更加准确得多,以至于实际上可以匹配甚至在某些情况下超过任何复杂的方法。

研究人员表示,“如果我们能够将电子薛定谔方程的准精确解到50-100个电子,那么我们就可以解决目前各种各样的化学、包括小的有机分子问题。”

科学家们使用了机器学习来基于自旋特性在基于晶格的相互作用量子系统中求解薛定谔方程。但是由于泡利不相容原理,所得的神经网络通常无法应用于电子轨道。所以一直在研究用于量子计算的方法,以将电子轨道等系统映射到基于自旋的框架上,可以将这两种想法结合起来在神经网络中模拟化学反应。

对于自旋系统,研究人员能够应用于一些粒子,并将其扩展到如今的数千个粒子模拟。电子行为的计算要困难一到两个数量级,但研究人员仍对其前景感到乐观。研究人员说:“我们希望在这种情况下,同样的事情也会发生,我们将从这些最初的应用程序迁移到更大的系统。这些方法具有广阔的前景。很高兴看到这个领域有如此多的研究,希望这仅仅是开始。”

参考:1. D Pfau et al, 2019, arXiv: 1909.024872. J Hermann et al, 2019, arXiv: 1909.084233. K Choo et al, 2019, arXiv: 1909.12852