如今，AI已能够在量子层面精确描述物质！
在最新一期的《科学》杂志中，DeepMind开发的神经网络能够预测分子内部的电子分布，从而计算出分子的特性。
这一突破距离DeepMind在《NatuRe》上登上封面并解决两项重大数学难题仅过去了一周。
这项成果对AI、化学和材料科学领域都具有深远的影响。
一方面，这表明深度学习在精确模拟量子层面物质方面展现出巨大的潜力；另一方面，这对在纳米尺度上探讨材料、医学和催化剂等都具有重要的意义。
DeepMind还宣布将把这一成果开源，供全球的科研人员使用！
DeepMind——永远的神！
《NatuRe》称之为化学领域中最有价值的技术之一：
用MLP解决电子相互作用问题
此次DeepMind所解决的问题涉及密度泛函理论（DFT）。
DFT是一种通过计算分子内电子密度来研究多电子体系电子结构的方法，能够在量子水平上对物质进行描述。
该方法通过近似手段，将复杂的电子相互作用问题简化为无相互作用问题，并将所有误差集中在一项中进行单独分析。
在过去的数十年中，DFT已经成为预测化学、生物及材料中多种系统特性的主要方法之一。
然而，该方法仍存在一些局限性。
首先，它存在离域化误差。
在DFT计算中，泛函会找到能量最小化时的电子构型来推断分子的电子密度，因此函数误差会导致电子误差。
大部分现有的密度泛函往往错误地将电子密度分布在多个原子或分子上，而非集中在单个分子或原子周围。
另一个主要误差来源是自旋对称性破坏。
在描述结构中化学键断裂时，现有的泛函常会导致自旋对称性被破坏的构型。
而对称性在物理和化学构型研究中至关重要，因此这一缺陷会产生显著误差。
比较中可以看出，PBE方法打破了自旋对称性。
为此，DeepMind提出了一种新的神经网络——DeepMind 2021（简称DM21）。
该框架采用多层感知器（MLP），能够将一组输入向量映射到一组输出向量。
在向一个权值共享的MLP中输入自旋指数电荷密度等精密化学数据后，它能预测局部电荷密度的增强值和局部能量密度。
整合这些数值后，再向函数中添加色散校正DFT。
经过训练，该模型可以在自洽计算中进行部署。
在具体数据对比中，DM21的误差值均低于传统方法。
也就是说，DM21能够精准模拟复杂系统，如氢键链、带电荷DNA碱基对及双自由基体系的过渡态。
实验结果表明，在不同基准（GMTKN55BBBQM9）上，DM21的绝对误差值均小于常规方法。
因此，可以得出结论，DM21能够比DFT方法更精确地描述电子相互作用，深度学习在量子层面的精准模拟物质前景广阔。
AI已经惊艳了生物学和数学界。
本次研究的贡献来自谷歌DeepMind的研究学者James Kirkpatrick。
他指出，理解微观现象对于清洁电力、微塑料污染等研究具有重要意义。
这对研究人员在纳米层面探索新材料、药物开发和催化剂等问题也将产生深远的影响。
这并非DeepMind第一次用AI震撼科学界。今年，他们用AlphaFold2预测了人类98.5%的蛋白质，震撼了生物学界。
不久前，他们用AI解决了两项重大数学难题，还登上了《NatuRe》封面，对纽结理论和表示论产生了深远影响。
