人工智能破解量子化学难题

水分子的四面体电子分布。氧原子核位于四面体的中心，氢核位于粉红色球的中心。

机器学习技术可以准确地计算出制造或破坏简单分子所需的能量。

一种新的机器学习工具可以计算出制造或破坏一个分子所需的能量，而这些能量要比传统方法要准确得多。尽管该工具目前只能处理简单的分子，但它为量子化学的未来见解铺平了道路。

Flatiron研究所计算中心的研究科学家Giuseppe Carleo表示：“使用机器学习来解决控制量子化学的基本方程式已经是一个开放的问题，并且目前围绕它有很多令人兴奋的事情。”纽约市的量子物理学。他说，对分子形成和破坏的更好理解可以揭示对生命至关重要的化学反应的内在作用。

苏黎世大学的Carleo及其合作者Kenny Choo和纽约约克敦高地IBM Thomas J. Watson研究中心的Antonio Mezzacapo今天（2020年5月12日）在《自然通讯》上发表了他们的工作。

该小组的工具估计了组装或分解一个分子（例如水或氨）所需的能量。该计算需要确定分子的电子结构，该结构由将分子结合在一起的电子的集体行为组成。

分子的电子结构很难计算，需要确定分子电子可能处于的所有潜在状态以及每个状态的概率。

由于电子相互作用并成为量子机械纠缠的分子，因此科学家无法对它们进行个体化处理。电子越多，纠缠越多，问题就成倍增加。对于比在一对氢原子中发现的两个电子更复杂的分子，不存在确切的解决方案。当逼近涉及多个电子时，甚至逼近精度也很困难。

挑战之一是，分子的电子结构包含无数个轨道的状态，这些轨道与原子之间的距离越来越远。另外，一个电子与另一个电子是无法区分的，并且两个电子不能占据相同的状态。后一个规则是交换对称性的结果，交换对称性决定了当相同粒子切换状态时会发生什么。

IBM Quantum的Mezzacapo及其同事开发了一种方法，用于限制所考虑的轨道数并施加交换对称性。这种方法基于为量子计算应用开发的方法，使该问题更类似于将电子限制在预设位置（例如在刚性晶格中）的场景。

与刚性晶格的相似性是使问题更易于管理的关键。Carleo先前训练了神经网络，以重建局限在晶格位置的电子行为。通过扩展这些方法，研究人员可以估算出Mezzacapo紧凑型问题的解决方案。小组的神经网络计算每种状态的概率。利用该概率，研究人员可以估算给定状态的能量。最低的能级，称为平衡能，是分子最稳定的位置。

团队的创新使计算基本分子的电子结构变得更加简单和快捷。研究人员通过估算将现实世界中的分子拉开，破坏其结合所需的能量，证明了他们方法的准确性。他们对二氢（H2），氢化锂（LiH），氨（NH3），水（H2O），双原子碳（C2）和二氮（N2）进行了计算。对于所有分子，即使在现有方法难以解决的范围内，研究团队的估计也被证明是高度准确的。

将来，研究人员旨在通过使用更复杂的神经网络来处理更大，更复杂的分子。一个目标是处理类似于氮循环中发现的化学物质，在生物循环中，生物过程会建立和破坏氮基分子，使它们可以终身使用。“我们希望这是化学家可以用来处理这些问题的工具，” Carleo说。

并非只有Carleo，Choo和Mezzacapo会利用机器学习来解决量子化学问题。研究人员于2019年9月首先在arXiv.org上介绍了他们的工作。同月，德国的一个小组和伦敦的Google DeepMind的另一个小组分别发表了使用机器学习来重建分子电子结构的研究。

另外两个小组也使用类似的方法，但并不限制所考虑的轨道数量。但是，这种包容性在计算上更加费力，这种缺点只会随着更复杂的分子而恶化。在相同的计算资源下，Carleo，Choo和Mezzacapo的方法产生了更高的精度，但是为获得此精度而进行的简化可能会引入偏差。

“总的来说，这是偏差和准确性之间的折衷方案，目前尚不清楚这两种方法中的哪一种在未来具有更大的潜力，” Carleo说。“只有时间才能告诉我们，这些方法中的哪些可以放大以解决化学方面具有挑战性的开放性问题。”

参考：肯尼·周（Kenny Choo），安东尼奥·梅扎卡波（Antonio Mezzacapo）和朱塞佩·卡莱奥（Giuseppe Carleo）撰写的“从头开始的电子结构的铁电神经网络状态”，2020年5月12日，自然通信。DOI：
10.1038 / s41467-020-15724-9