人工智能解决了薛定谔方程

柏林自由大学的一组科学家开发了一种人工智能(AI)方法，用于计算量子化学中薛定谔方程的基态。量子化学的目标是仅仅根据分子在空间中的原子排列来预测分子的化学和物理性质，从而避免资源密集型和耗时的实验室实验。理论上，这可以通过求解薛定谔方程来实现，但在实践中这是极其困难的。

到目前为止，还不可能找到一个可以有效计算任意分子的精确解。但自由大学的研究团队开发了一种深度学习方法，可以实现前所未有的准确性和计算效率的结合。人工智能已经改变了许多技术和科学领域，从计算机视觉到材料科学。“我们相信，我们的方法可能会对量子化学的未来产生重大影响，”领导这项研究的弗兰克·诺伊教授说。研究结果发表在著名的《自然化学》杂志上。

波函数是量子化学和薛定谔方程的核心。波函数是一个数学对象，它能完全说明分子中电子的行为。波函数是一个高维实体，因此很难捕捉到编码单个电子如何相互影响的所有细微差别。量子化学的许多方法实际上都放弃了完全表示波函数的方法，而只是试图确定给定分子的能量。然而，这需要进行近似处理，限制了此类方法的预测质量。

其他的方法用大量的简单数学构造块来表示波函数，但是这种方法是如此复杂，以致于它们不可能对少数几个原子付诸实践。柏林自由大学的Jan Hermann博士解释说:“摆脱准确性和计算成本之间通常的权衡是量子化学的最高成就。”他在研究中设计了该方法的关键特征。到目前为止，最流行的这种离群值是极具成本效益的密度泛函理论。我们相信，我们正在提议的深度“量子蒙特卡洛”(deep 'Quantum Monte Carlo)方法即使不能更成功，也同样可能取得成功。它以仍可接受的计算成本提供了前所未有的准确性。”

Noe教授的团队设计的深度神经网络是一种表示电子波函数的新方法。Noe解释说:“我们设计了一种人工神经网络，能够学习电子如何在原子核周围分布的复杂模式，而不是用相对简单的数学成分组成波函数的标准方法。”“电子波函数的一个特殊特征是它们的反对称性。当两个电子交换时，波函数的符号必然改变。我们必须将这种特性构建到神经网络架构中，以实现方法的工作。”Hermann补充道。这个特性被称为“泡利不相容原理”，这就是为什么作者称他们的方法为“泡利内”的原因。

除了泡利不排他原理，电子波函数也有其他的基本物理特性，而PauliNet的创新成功之处在于它将这些特性整合到深度神经网络中，而不是让深度学习仅仅通过观察数据来计算它们。诺伊表示:“将基础物理构建到人工智能中，对其在该领域做出有意义预测的能力至关重要。”“这确实是科学家可以为人工智能做出实质性贡献的领域，这也正是我的团队所关注的。”

在Hermann和Noe的方法为工业应用做好准备之前，仍有许多挑战需要克服。“这仍然是基础研究，”作者同意，“但它是对分子和材料科学中一个古老问题的新方法，我们对它打开的可能性感到兴奋。”