一项利用神经网络(一种受大脑启发的人工智能)的新研究提出了一种解决分子状态建模这一艰巨挑战的方法。

这项研究表明，该技术可以帮助解决复杂分子系统中的基本方程。

这可能会导致未来的实际应用，帮助研究人员在试图在实验室中制造新材料和化学合成之前，使用计算机模拟来制作原型。

由伦敦帝国理工学院和谷歌DeepMind科学家领导的这项研究今天发表在《科学》杂志上。

兴奋的分子

该团队研究了分子如何从“激发态”过渡到“激发态”的问题。当分子和材料受到大量能量的刺激时，比如暴露在光下或高温下，它们的电子会被踢入一个暂时的新构型，被称为激发态。

分子在不同状态之间转换时吸收和释放的能量的确切数量为不同的分子和材料创造了独特的指纹。这影响了从太阳能电池板、led到半导体和光催化剂等技术的性能。它们在涉及光的生物过程中也起着关键作用，包括光合作用和视觉。

然而，这种指纹极难建模，因为激发的电子本质上是量子的，这意味着它们在分子中的位置永远不确定，只能用概率来表示。

来自谷歌DeepMind和帝国理工学院物理系的首席研究员大卫·普福博士说:“表征量子系统的状态极具挑战性。必须给每一种可能的电子位置配置赋一个概率。

“所有可能配置的空间是巨大的——如果你试图将其表示为一个网格，每个维度上有100个点，那么硅原子可能的电子配置的数量将比宇宙中的原子数量还要多。这正是我们认为深度神经网络可以提供帮助的地方。”

神经网络

研究人员开发了一种新的数学方法，并将其与一个名为FermiNet(费米子神经网络)的神经网络结合使用，这是第一个使用深度学习从基本原理计算原子和分子能量的例子，该原理足够精确，可以使用。

该团队用一系列例子测试了他们的方法，结果令人鼓舞。在一种被称为碳二聚体的小而复杂的分子上，他们实现了平均绝对误差(MAE)为4 meV(毫电子伏特——一种微小的能量测量)，这比之前达到20 meV的金标准方法接近实验结果五倍。

Pfau博士说:“我们在计算化学中一些最具挑战性的系统上测试了我们的方法，在这些系统中，两个电子同时被激发，发现我们的方法在0.1 eV左右，这是迄今为止最苛刻、最复杂的计算。”

“今天，我们将把我们最新的工作开源，并希望研究界将以我们的方法为基础，探索物质与光相互作用的意想不到的方式。”