DeepMind开源量子化学AI模型DM21

光子盒研究院出品

谷歌子公司DeepMind的研究人员开源了一种将电子密度映射到化学相互作用能(量子力学模拟的关键组成部分)的神经网络模型DM21。DM21在多个基准测试中均优于传统模型，并可作为PySCF模拟框架(基于Python的化学模拟框架)的扩展。

《科学》杂志上发表的一篇文章中对该模型进行了描述[1]。DM21使用神经网络来近似密度泛函理论(DFT)的能量密度泛函分量(energy density functional component)，DFT描述了分子的量子力学行为。DM21解决了以前的泛函近似的系统性问题，这些问题无法正确处理具有“分数电子特征”的系统。

该模型基于多层感知器(MLP)架构，该架构将电子密度网格作为输入。在对三个基准数据集Bond-break Benchmark (BBB)、GMTKN55和QM9进行评估时，该模型优于四个“性能最佳”的现有实现。

DeepMind团队表示：“随着技术越来越多地转向量子尺度来探索有关材料、药物和催化剂的问题，包括我们从未见过甚至想象不到的问题，深度学习有望在量子力学水平上准确模拟物质。”

量子化学是应用量子物理学的基本规则来预测分子的化学性质。DFT为科学家提供了一种简化量子化学计算的方法，但它需要从电子概率密度到能量的泛函或映射。尽管没有已知的精确泛函，但近似泛函从固态物理学到核光谱学领域已被使用多年。

然而，大多数使用中的近似在具有分数电子特性的系统中会遇到“病理错误”；特别是分数电荷(FC)或分数自旋(FS)。尽管分数电子是虚构的，但一些真实系统确实具有表现出分数电荷或分数自旋行为的区域。由于手动设计泛函来处理此类情况已被证明是困难的，所以DeepMind团队使用机器学习解决了这个问题。

DeepMind的研究人员使用监督学习方法来训练MLP神经网络。训练数据集由1161个示例组成；输入包含在空间网格上采样的Kohn-Sham (KS)轨道特征，而输出值是“高精度反应能”。训练目标包括回归损失和梯度正则化项；后者被包括在内以便该模型可用于自洽场(SCF)计算。

该团队在三个基准测试中评估了DM21，包括GMTKN55和QM9。其中包含与训练数据“非常不同”的化学任务数据。DM21在这些基准测试中创造了新的一流性能，优于其他四种以前的方法。根据研究人员的说法，“DM21比最好的混合泛函更好，并且接近更昂贵的双混合泛函的性能。”

机器学习在物理和化学中的应用是一个活跃的研究领域。2019年，斯坦福大学研究人员训练了卷积神经网络(CNN)用作DFT泛函，这在“大量有机分子”上取得了良好的效果。2020年，加州理工学院使用机器学习来求解Navier-Stokes方程；2021年，DeepMind的AlphaFold2 AI用于预测蛋白质结构。

DeepMind的DM21代码和预训练模型可在GitHub上找到：

https://github.com/deepmind/deepmind-research/tree/master/density_functional_approximation_dm21

参考链接：

[1]https://www.science.org/doi/10.1126/science.abj6511

[2]https://www.infoq.com/news/2022/02/deepmind-quantum-chemistry/

—End—

相关阅读：

光子盒将为中国境内的研究机构和企业提供一个免费的垂直招聘信息发布渠道，欢迎有需求的机构或企业直接联系光子盒。（微信：Hordcore）

你可能会错过：