新研究：人工智能研究人员解决了薛定谔方程

一项最近发表在《自然化学》杂志上的研究详细介绍了研究人员使用人工智能技术来计算量子化学中薛定谔方程的基态的结果。这个问题通过应用人工智能技术得以解决，这项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、耗费资源、耗时的实验室实验。相比之下，量子化学试图仅通过原子在三维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，它预测系统将如何在未来表现。薛定谔方程用波函数来表示，波函数可以精确地预测结果或事件的概率。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建模波函数，这是一个能够指定分子中电子行为的数学对象。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尝试编码波函数，而是专注于确定目标分子的能量。然而，当仅关注分子的能量时，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，但这些技术基本上对于计算几个原子的波函数来说太不实用了。

“量子蒙特卡罗”方法与深度神经网络

根据Phys.org的报道，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和适中的计算成本。研究人员使用深度神经网络来表示电子的波函数。研究团队的首席研究员弗兰克·诺伊（Franke Noe）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性质。当两个电子交换时，波函数的符号必须改变。这个特性必须被考虑并融入网络架构中。该网络被命名为“PauliNet”，以“泡利排除原理”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状态中。

PauliNet还需要将电子波函数的其他物理性质集成到网络中。诺伊通过Phys.org解释说，网络不仅仅是通过观察数据来做出决定，还需要考虑波函数的性质。

“将基本物理学构建到人工智能中对于其在该领域做出有意义的预测至关重要。这正是科学家可以对人工智能做出重大贡献的地方，也是我的团队关注的重点。”

研究团队仍需要进行更多的实验，以完善他们的方法，然后该模型才能在实验室外应用。然而，一旦该方法准备好用于工业应用，它可以在各个领域使用。材料科学家可以使用该算法来帮助创建新型超材料，制药业可以使用它来合成新型药物。