在《科學》雜志發(fā)表的一篇論文中，DeepMind 展示了神經網絡如何改進密度泛函(一種用于描述化學系統(tǒng)中電子相互作用的方法)的近似值。
這說明了深度學習在量子力學水平上準確模擬物質的前景。
除了論文，DeepMind 還將開源代碼，為其他人提供研究基礎。
倫敦，美國東部標準時間 14:00，2021 年 12 月 9 日 -在今天發(fā)表在科學雜志《科學》上的一篇論文中， DeepMind 展示了如何使用神經網絡比現(xiàn)有方法更準確地描述化學系統(tǒng)中的電子相互作用。
1960 年代建立的密度泛函理論描述了電子密度和相互作用能之間的映射。50 多年來，電子密度和相互作用能之間映射的確切性質——即所謂的密度泛函——仍然未知。在該領域的重大進展中，DeepMind 表明，神經網絡可用于構建比以前更準確的電子密度和相互作用圖。
通過將函數(shù)表達為神經網絡并將精確的屬性合并到訓練數(shù)據(jù)中，DeepMind 能夠訓練模型以學習沒有兩個重要系統(tǒng)錯誤(離域誤差和自旋對稱破壞)的函數(shù)，從而更好地描述廣泛的化學反應類。
在短期內，這將使研究人員能夠通過我們的代碼的可用性來改進精確密度泛函的近似值，以便立即使用。從長遠來看，這是顯示深度學習在量子力學水平上準確模擬物質的前景的又一步——這可能通過允許研究人員在納米級探索有關材料、藥物和催化劑的問題來實現(xiàn)計算機中的材料設計。
DeepMind 的研究科學家 James Kirkpatrick 說：“了解納米級技術對于幫助我們應對 21 世紀的一些主要挑戰(zhàn)變得越來越重要，從清潔電力到塑料污染。” “這項研究是朝著正確方向邁出的一步，使我們能夠更好地了解電子之間的相互作用，電子是將分子固定在一起的膠水。”
標簽：
免責聲明：本文由用戶上傳，如有侵權請聯(lián)系刪除！