来自 AI 研究人员的新研究解决了薛定谔方程

一项最近在 《自然化学》 杂志上发表的研究详细介绍了旨在计算量子化学中 薛定谔 方程的地面态的研究结果。该问题是通过应用人工智能技术得以解决的，该研究的成功对量子化学具有重大意义。

薛定谔方程

当前确定分子的化学性质的方法依赖于缓慢、资源密集、耗时的实验室实验。相比之下，量子化学旨在仅根据原子在 3D 空间中的排列来预测分子的物理和化学性质。为了使量子化学能够合理地确定分子性质，需要解决薛定谔方程。薛定谔方程在量子力学中扮演着与经典力学中能量守恒和牛顿定律相同的角色，它预测了系统在未来将如何行为。薛定谔方程用波函数来表示，波函数精确地预测了结果或事件的概率。直到现在，解决薛定谔方程被证明是极其困难的。
为了解决薛定谔方程，研究人员需要正确地模拟波函数，这是一种数学对象，能够指定分子中电子的行为。波函数是高维实体，因此编码电子之间的关系极其困难。一些量子化学技术不编码波函数，而是专注于确定目标分子的能量。然而，当仅专注于分子的能量时，需要近似值，这限制了预测的有用性。
虽然量子化学家可以使用其他技术来表示波函数，但它们基本上太不实用，无法用于计算几个原子的波函数。

“量子蒙特卡罗”方法与深度神经网络

根据 Phys.org 的报道，来自柏林自由大学的研究人员成功地使用深度学习技术解决了薛定谔方程。研究团队采用了 “量子蒙特卡罗” 方法，该方法提供了高精度的结果，计算成本相对较低。研究人员使用深度神经网络来表示电子的波函数。弗兰克·诺教授是该研究的首席研究人员，诺教授解释说，神经网络被设计为学习电子在原子核周围分布的复杂模式。
为了有效地使用深度神经网络来学习电子的模式，研究人员需要创建合适的网络架构。电子波函数具有一个称为反对称性的属性。当两个电子交换时，波函数的符号必须改变。这种特性必须被考虑在内，并被融入网络架构中。该网络被命名为 “PauliNet”，以 “泡利排斥原理” 命名，该原理指出，在量子系统中，两个或多个相同的费米子不能同时存在于同一量子态。
PauliNet 还需要将电子波函数的其他物理属性集成到网络中。与其让网络仅通过观察数据来做出决定，不如让网络考虑波函数的属性，如诺教授通过 Phys.org 解释的那样。
“将基本物理学建立在 AI 中对于其在该领域做出有意义的预测至关重要。这确实是科学家可以对 AI 做出重大贡献的地方，也是我的团队专注的领域。”
研究团队仍需要进行更多实验，完善他们的方法，然后该模型才能准备好在实验室外应用。然而，一旦该方法准备好用于工业应用，它可以在各种领域中使用。材料科学家可以使用该算法来帮助创建新型的超材料，制药行业可以使用它来合成新型的药物。