电荷|Science重磅：DeepMind再获突破，用AI开启理解电子相互作用之路

文章插图
当电子问题遇到了神经网络，会碰撞出什么样的火花呢？DeepMind 的最新研究向我们揭晓了答案。刊登在最新一期 Science 论文 Pushing the frontiers of density functionals by solving the fractional electron problem 显示，神经网络可以用来构建比以前更精确的电子密度和相互作用图。这一结果无疑会帮助科学家们更好地理解电子之间的相互作用，向着深入的研究进一步迈进，这也表明了深度学习（DL, Deep Learning）有望在量子力学水平上精确模拟物质——这可能使得研究人员在纳米水平上探索关于材料、药物和催化剂的问题，从而改进计算机的设计。简而言之，这是一次电子和分子的深度结合。
文章插图

DFT 是什么？这次研究涉及一个非常重要的理论——密度泛函理论（DFT,Density functional theory）。早在 50 多年前，这个用来描述量子物质基本性质的理论首次建立，实现了在量子水平上描述物质，该方法将电子在给定原子组中的位置与原子共享的总能量相关联，以确定分子的化学和物理特性。作为人类智慧的结晶之一，很快地，它便成为物理、化学、材料科学等多个领域的强有力工具，是学习计算凝聚态物理/计算材料学/计算化学的必修基础理论。通俗来说，密度指的是电子数密度，泛函则表示能量是电子密度的函数，而电子密度又是空间坐标的函数。那么，函数的函数，便称之为泛函（Functional）。也就是说，这是一种通过电子密度研究多电子体系电子结构的方法。如果放到具体的操作中，DFT 可以通过各种各样的近似，把难以解决的包含电子-电子相互作用的问题化繁为简，变为无相互作用的问题，再将所有误差单独放进一项中（XC Potential），进而对误差进行分析。然而，困扰已久的问题是：电子密度和相互作用能之间映射的确切性质，即所谓的密度泛函（density functional），仍然是未知的。传统的 DFT 工具可以对具有一两个电子的系统进行建模，但它们无法对具有 1.5 个电子的系统进行建模，而这在一个电子被多个原子之间共享的情况下是很重要的。一方面，这种带小数点的电子是虚构的物体，没有这样的电子，根据定义，电子是整体的，但是通过解决这些电子问题，我们能够正确描述化学系统。正因为如此，即使是最先进的 DFT 在描述分数电子电荷（fractional electron charges）和自旋（spins）时，也会受到基本的系统误差的困扰。【电荷|Science重磅：DeepMind再获突破，用AI开启理解电子相互作用之路】
文章插图

“功力强大”的 DM21 框架DeepMind 的神经网络可以用于构建比先前更精确的电子密度和相互作用图，摆脱了此前的诸多限制。作为 DeepMind 的研究科学家，James Kirkpatrick 和他的同事使用 DeepMind 平台开发了“DM21”（DeepMind 2021）框架，可以利用精确的化学数据和分数电荷约束来训练神经网络。
文章插图
根据研究报告，DM21 能够避免两个重要的系统误差（离域误差和自旋对称性）的破坏，从而学习泛函，更好地描述广泛的化学反应类别。研究人员用 2235 个化学反应示例训练了他们的人工智能，并提供了有关所涉及的电子和系统能量的信息。其中，1074 个代表了分数电子会对传统 DFT 分析造成问题的系统。然后，他们将人工智能应用于未包含在训练数据中的化学反应。DeepMind 21 不仅正确地表示了分数电子，而且其结果比传统的 DFT 分析更精确。它甚至可以处理关于具有奇怪属性的原子的数据，这些数据与训练数据中的任何东西都不相似。DM21 正确描述了人工电荷离域和强相关性的典例，并且在主族（main-group）原子和分子的全面基准评估上优于传统泛函。此外，DM21 可以准确地模拟复杂系统，如氢键链（hydrogen chains）、带电荷 DNA 碱基对和双自由基体系的过渡态。更为关键的是，该研究中的方案依赖于不断改进的数据和约束，因此，它代表着一条通向泛函的可行途径。