研究实现人工智能解薛定谔方程

德国柏林自由大学（Freie Universität Berlin）的科学家发明了一套方法，使用人工智能计算量子化学领域薛定谔方程，帮助设计化工和药物分子。

薛定谔方程示意图。

量子化学研究的目标是仅基于内部原子空间布局的信息，预测分子的化学和物理特性，省去传统研究开发出实际药物在实验室进行测试的过程。

研究人员发现从理论上说，这个过程可以利用薛定谔方程解决，但是实际操作上非常困难。在这份研究之前，科学家无法通过计算找到药物分子设计的精确方案。

这份近期发表在《自然·化学》（Nature Chemistry）期刊上的研究称，开发了一套深度学习系统实现了精确度和计算有效性的结合，达到前所未有的效果。

这项研究的负责人诺埃（Frank Noe）说：“我们认为这套方法将对未来量子化学的研究起到重要的影响。”

量子化学和薛定谔方程的核心都是所谓的“波函数”——描述电子在分子内部空间的分布和行为的数学函数。

由于电子间互相作用的复杂度，很多量子化学方法不使用波函数，而尝试仅从分子能量的角度进行计算。这种方法需要用到很多模糊参数，限制了预测效果的质量。

其它一些方法尝试使用大量简单的数学基础模块，但是导致方法太复杂，一次只能计算几个原子。

“在准确度和计算开支之间达到有效的平衡，是量子化学领域的终极目标。”这套系统的主要设计者赫尔曼（Jan Hermann）说，“我们认为这套名为量子蒙特卡洛（Quantum Monte Carlo）的系统非常成功，在可接受的计算开支下，准确度也达到了前所未有的水平。”

诺埃介绍说，他们的人工智能系统使用了一种新的方式展现电子的波函数。“常规的方法从相对简单的数学模块构建波函数，而我们设计了一个有能力学习复杂模式的人工智能网络，模拟电子在原子核周围的布局。描述电子的波函数的一个特点是其反对称性。当两个电子交换位置的时候，波函数必须交换符号。我们把这个数学特性加入了人工智能系统内。”

诺埃说，这套系统的另一项革新之处在于，把很多物理特性也直接加入深度学习系统，而不是让系统通过数据观察总结这些特性。

“把基础物理特性加入人工系统，是使系统能够进行有效预测的重要步骤。这是研究人员能够对人工系统进行显着改善的地方，也正是我们的团队致力所做的。”诺埃说。