News Release

DeepMind神经网络打开了理解电子相互作用的新窗口

Peer-Reviewed Publication

American Association for the Advancement of Science (AAAS)

DeepMind的新研究表明,神经网络可以用于构建一个比以前更准确的电子密度和相互作用图。该结果是使科学家朝着能够更好地理解将分子凝聚在一起的电子之间的相互作用前进一步,它还显示了深度学习在量子力学水平上准确模拟物质的前景,这可能能够改善计算机设计,并使研究人员能够在纳米尺度内探索有关材料、药物和催化剂的问题。描述量子物质基本性质的密度泛函理论 (DFT) 于50多年前首次成立。它已成为预测化学、生物学和材料科学中电子相互作用特性的主要方法。然而,电子密度和相互作用能(所谓的密度泛函)之间映射的确切性质长期以来一直没有得到科学理解。因此,即使是最先进的DFT泛函在描述电子分数电荷和自旋时也受到基本系统错误的困扰。为了解决这些限制,James Kirkpatrick和同事使用了DeepMind平台开发了一个框架,以根据准确的化学数据和分数电子约束来训练神经网络,从而产生了功能性的“DM21”。据作者披露,DM21能够学习没有两个关键系统错误的泛函,即离域化误差和自旋对称性破缺,这促成了比以前的平台更好地模拟广泛的化学反应。Jon Perdew在相关的《视角》中写道:“由Kirkpatrick等人开发的DM21的重要性并不是它产生了最终的密度泛函,而是人工智能方法解决了分数电子和自旋问题,这些问题阻碍了创建泛函的直接分析解决方案。”


Disclaimer: AAAS and EurekAlert! are not responsible for the accuracy of news releases posted to EurekAlert! by contributing institutions or for the use of any information through the EurekAlert system.