deepmind|DeepMind再获突破，用AI开启理解电子相互作用之路( 二 )

文章插图
实验结果显示，在 55 个不同热化学分子性质、大而多样的数据集上，DM21 的加权绝对误差为 4 kcal/mol。
这个非常小的误差与大多数泛函误差相比，是由大量精心选择的成分和拟合的分子数据造成的。无论是否包含分数电荷和自旋数据，误差本质上是相同的。然而，这些数据的加入提高了 DM21 在电荷转移和强相关性问题上的性能。

文章插图
图丨局部电子约束的训练解决了电荷和自旋定位和去定位错误。
DM21可以与强约束和适当赋范泛函（SCAN, Strongly Constrained and Appropriately Normed）进行比较，该泛函是通过假设方程满足 17 个精确约束，但不满足分数电荷和自旋约束而创建的。SCAN 产生的误差为 8 kcal/mol。然而，当 SCAN 进行密度校正时，该误差降低到 6 kcal/mol。这说明，密度校正可以消除 SCAN 的电荷转移误差。
Jon Perdew 在相关观点中写道：“由 Kirkpatrick 等人开发的 DM21 的重要性，并不在于产生了最终密度泛函，而是用一种 AI 方法解决了分数电子和自旋问题，该问题一直无法通过直接解析方法来创建泛函。”
整个研究工作表明，通过结合约束满足和 AI 拟合大而多样的数据集，可以设计出更具有预测性的精确密度函数。
DeepMind 演示了神经网络如何提高密度泛函的近似值，有力地显示了 DL 在量子力学水平上精确模拟物质的前景。此外，DeepMind 还开源了代码，为研究者提供了探索研究的基础。
对于这一成果，James Kirkpatrick 表示：“了解微观尺度现象对于帮助我们应对 21 世纪的一些重大挑战，从清洁电力到塑料污染，正变得越来越重要……这项研究朝着正确方向迈出的关键一步，使我们能够更好地理解电子之间的相互作用，而电子就是将分子粘在一起的‘胶水’。”
【 deepmind|DeepMind再获突破，用AI开启理解电子相互作用之路】从短期来看，这将使研究人员能够通过代码的可用性，获得一个改进的精确密度函数的近似值；从长远来看，这是 DL 在量子力学水平上精确模拟物质的更进一步——这可能使研究人员能够在纳米水平上探索材料、药物和催化剂的问题，从而在计算机上实现材料设计。