2021年12月9日，DeepMind发表博客文章，对DeepMind的科学家发表在Science（2021年12月9日）上的文章 Pushing the frontiers of density functionals by solving the fractional electron problem 进行了解读。
以下是全文内容。
解决21世纪的一些重大挑战，如生产清洁电力或开发高温超导体，将要求我们设计出具有特定性质的新材料。要在计算机上做到这一点，需要对电子进行模拟，电子是支配原子如何结合形成分子的亚原子粒子，也负责固体中的电子流动。尽管经过几十年的努力并取得了一些重大进展，但准确模拟电子的量子力学行为仍然是一个公开的挑战。现在，在Science杂志上发表的一篇论文中，我们提出了DM21，一个很大程度上在化学上达到最先进精度的神经网络。为了加速科学进步，我们还开放了我们的代码供任何人使用。
近一个世纪前，埃尔温-薛定谔提出了他著名的支配量子力学粒子行为的方程式。将这个方程应用于分子中的电子是具有挑战性的，因为所有的电子都会相互排斥。这似乎需要跟踪每个电子的位置概率，即使是少量的电子，也是一项非常复杂的任务。一个重大的突破出现在20世纪60年代，当时Pierre Hohenberg和Walter Kohn意识到，没有必要单独追踪每个电子。相反，知道任何电子在每个位置的概率（即电子密度）就足以精确计算所有的相互作用。Kohn在证明了这一点后获得了诺贝尔化学奖，从而创立了密度函数理论（DFT）。
尽管DFT证明了一种映射的存在，但50多年来，这种电子密度和相互作用能量之间的映射的确切性质（所谓的密度函数）仍然是未知的，必须进行近似。尽管DFT本质上涉及一个近似水平，但它是研究物质在微观层面上如何以及为何以某种方式表现的唯一实用方法，因此已成为所有科学中最广泛使用的技术之一。多年来，研究人员已经提出了许多精确函数的近似值，其准确程度各不相同。尽管它们很受欢迎，但所有这些近似都存在系统性错误，因为它们未能抓住精确函数的某些关键数学特性。
通过将函数表达为神经网络并将这些精确的性质纳入数据训练，我们学习的函数不存在重要的系统性错误，从而更好地描述广泛的化学反应。
我们特别解决了传统函数的两个长期存在的问题：
离域误差（delocalization error）。在DFT计算中，函数通过寻找能量最小的电子配置来确定分子的电荷密度。因此，函数中的错误会导致计算出的电子密度的错误。大多数现有的密度函数近似都倾向于电子密度不真实地分布在几个原子或分子上，而不是正确地定位在单个分子或原子周围。
自旋对称性破坏（Spin symmetry breaking）。在描述化学键的断裂时，现有的函数倾向于不现实地偏爱被称为自旋对称的基本对称性被打破的构型。由于对称性在我们对物理学和化学的理解中起着至关重要的作用，这种人为的对称性破坏揭示了现有函数的一个主要缺陷。
原则上，任何涉及电荷运动的化学物理过程都有可能出现离域误差，而任何涉及断键的过程都有可能出现自旋对称性破坏。电荷的移动和断键是许多重要技术应用的核心，但这些问题也会导致描述最简单分子（如氢）的函数在质量上的巨大失败。既然DFT是如此重要的技术，那么在要求函数解释更为复杂的分子相互作用（如电池或太阳能电池中可能发生的相互作用）之前，设计能够正确处理这种简单化学反应的函数是非常重要的。
这些长期存在的挑战都与函数在面对表现出"分数电子特性"的系统时的行为有关。通过使用神经网络来表示函数，并调整我们的训练数据集以捕捉精确函数所期望的分数电子行为，我们发现我们可以解决离域和自旋对称性破坏的问题。我们的函数在广泛的、大规模的基准上也显示出其高度的准确性，这表明这种数据驱动的方法可以捕捉到精确函数的某些方面，而这些方面迄今为止是难以捉摸的。
多年来，计算机模拟在现代工程中发挥了核心作用，使我们有可能为诸如"这座桥会不会竖起来"和"这枚火箭会不会进入太空"等问题提供可靠的答案。随着技术越来越多地转向量子尺度，以探索有关材料、药物和催化剂的问题，包括那些我们从未见过或甚至想象过的问题，深度学习显示出在这个量子力学层面准确模拟物质的希望。
参考资料
https://deepmind.com/blog/article/Simulating-matter-on-the-quantum-scale-with-AI
联系客服
