DeepMind开源量子化学AI模型DM21
2022-03-29 05:40:09
谷歌子公司DeepMind的筹议职员开源了一种将电子密度照射到化学彼此效用能(量子力学模仿的闭头构成个人)的神经收集模子DM21。DM21正在众个基准测试中均优于古板模子，并可行动PySCF模仿框架(基于Python的化学模仿框架)的扩展。
《科学》杂志上宣告的一篇作品中对该模子举行了刻画[1]。DM21运用神经收集来近似密度泛函外面(DFT)的能量密度泛函分量(energy density functional component)，DFT刻画了分子的量子力学举止。DM21办理了以前的泛函近似的编制性题目，这些题目无法准确处罚具有“分数电子特色”的编制。
该模子基于众层感知器(MLP)架构，该架构将电子密度网格行动输入。正在对三个基准数据集Bond-break Benchmark (BBB)、GMTKN55和QM9举行评估时，该模子优于四个“功能最佳”的现有告终。
DeepMind团队显示：“跟着身手越来越众地转向量子标准来摸索相闭质料、药物和催化剂的题目，囊括咱们从未睹过以至联念不到的题目，深度研习希望正在量子力学程度上切确模仿物质。”
量子化学是行使量子物理学的根本规定来预测分子的化学性子。DFT为科学家供应了一种简化量子化学准备的手段，但它须要从电子概率密度到能量的泛函或照射。即使没有已知的精准泛函，但近似泛函从固态物理学到核光谱学范围已被运用众年。
然而，大无数运用中的近似正在具有分数电子特质的编制中会碰到“病理舛误”；希罕是分数电荷(FC)或分数自旋(FS)。即使分数电子是虚拟的，但少许实正在编制确实具有发扬出分数电荷或分数自旋举止的区域。因为手动策画泛函来处罚此类情形已被证据是穷困的，因此DeepMind团队运用机械研习办理了这个题目。
DeepMind的筹议职员运用监视研习手段来操练MLP神经收集。操练数据集由1161个示例构成；输入包罗正在空间网格上采样的Kohn-Sham (KS)轨道特色，而输出值是“高精度反响能”。操练目的囊括回归耗损和梯度正则化项；后者被囊括正在内以便该模子可用于自洽场(SCF)准备。
该团队正在三个基准测试中评估了DM21，囊括GMTKN55和QM9。此中包罗与操练数据“卓殊区别”的化学职业数据。DM21正在这些基准测试中创设了新的一流功能，优于其他四种以前的手段。依据筹议职员的说法，“DM21比最好的搀和泛函更好，而且逼近更腾贵的双搀和泛函的功能。”
机械研习正在物理和化学中的行使是一个生动的筹议范围。2019年，斯坦福大学筹议职员操练了卷积神经收集(CNN)用作DFT泛函，这正在“大批有机分子”上获得了精良的效益。2020年，加州理工学院运用机械研习来求解Navier-Stokes方程；2021年，DeepMind的AlphaFold2 AI用于预测卵白质组织。