用深度神經網絡求解『薛丁格方程』,AI開啟量子化學新未來

2020-12-26 博客園

　　遇事不決，量子力學！

　　相信很多朋友都聽過這句略帶諷刺的網絡流行語。

　　它出自某部科幻作品，暗指劇情中那些解釋不通的、奇奇怪怪的現象，都可以用「量子力學」來矇混過關。

　　19 世紀末，量子力學的提出為解釋微觀物質世界打開了一扇大門，它徹底改變了人類對物質結構及相互作用的理解。已有實驗證明，量子力學解釋了許多被預言、無法直接想像的現象。

　　由此，人們也形成了一種既定印象，所有難以理解的問題都可以通過求解量子力學方程來解決。

　　但事實上能夠精確求解方程的體系少之又少。

　　薛丁格方程是量子力學的基本方程，即便已經提出 70 多年，它的氫原子求解還是很困難，超過 2 個電子的氫原子便很難保證精確度。

　　不過，多年來科學家們一直在努力攻克這一難題。

　　最近，來自柏林自由大學(Freie Universität Berlin) 的科學團隊取得了突破性進展，他們發表的一篇名為《利用深度神經網絡解電子薛丁格方程》的論文，登上了《Nature Chemistry》子刊。

論文明確指出：利用人工智慧求解薛丁格方程基態解，達到了前所未有的準確度和計算效率。該人工智慧即為深度神經網絡（Deep-neural-network），他們將其命名為 PauliNet。

　　在介紹它之前，我們先來簡單了解下薛丁格方程。

　　什麼是薛丁格方程？

　　薛丁格方程（Schrödinger Equation），是量子力學中的一個基本方程。

　　又稱薛丁格波動方程（Schrödinger Wave Equation），它的命名來自一位名為埃爾溫·薛丁格（Erwin Schrödinger）的奧地利物理學家。

　　Erwin 曾是 1933 年諾貝爾物理學獎獲得者，是量子力學奠基人之一。

　　他在 1926 年發表的量子波形開創性論文中，首次提出了薛丁格方程。它是一個非相對論的波動方程，反映了描述微觀粒子的狀態隨時間變化的規律。

　　具體來說，它將物質波的概念和波動方程相結合建立二階偏微分方程，以描述微觀粒子的運動，每個微觀系統都有一個相應的薛丁格方程式，通過『解方程』可得到波函數的具體形式以及對應的能量，從而了解微觀系統的性質。

　　Ψ表示波函數

　　薛丁格方程在量子力學中的地位，類似於牛頓運動定律在經典力學中的地位，它在物理、化學、材料科學等多個領域都有著廣泛的應用價值。

　　比如，應用量子力學的基本原理和方法研究化學問題已形成一門『量子化學』基礎學科，其研究範圍包括分子的結構、分子結構與性能之間的關係；分子與分子之間的相互碰撞、相互作用等。

　　也就是說，在量子化學中，通過求解薛丁格方程可以用來預測出分子的化學和物理性質。

　　波函數（ Wave Function）是求解薛丁格方程的關鍵。它在每個空間位置和時間都定義一個物理系統，並描述了該系統隨時間的變化，如波粒二象性。同時它還能夠說明這些波是如何受到外力或影發生改變的。

　　以下通過對氫原子的求解可以得到正確的波函數。


不過，波函數是一個高維實體，這使得其在捕獲特定編碼電子相互影響的頻譜變得異常困難。

　　目前在量子化學領域，很多方法都證實無法解決這一難題。比如，利用數學方法獲得特定分子的能量，會限制預測的精度；使用大量簡單的數學構造塊表示波函數，無法使用少數原子進行計算等。

　　在此背景下，柏林自由大學科學團隊提出了一種有效的應對方案。該團隊成員簡·赫爾曼（Jan Hermann）稱，

到目前為止，離群值(Outlier）是最經濟有效的密度泛函理論(Density functional theory ，一種研究多電子體系電子結構的方法)。相比之下，我們的方法可能更成功，因為它在可接受的計算成本下提供了前所未有的精度」。

　　PauliNet：物理屬性引入 AI 神經網絡

　　Hermann 所說的方法被稱為—量子蒙特卡羅法。

　　論文中顯示，量子蒙特卡羅（Quantum Monte Carlo）法提供了一種可能的解決方案：對於大分子來說，它可以很好地實現縮放和並行化，而且其波函數的精確性只受到 Ansatz 靈活性的限制。

　　具體來說，該團隊設計了一個深層神經網絡來表示電子的波函數，這是一種全新的方法。PauliNet 具有作為基準內置的多參考 Hartree-Fock 解決方案，結合有效波函數的物理特性，並使用變分量子蒙特卡洛進行了訓練。

　　弗蘭克·諾（FrankNoé）教授解釋說：「不同於簡單標準的數學公式求解波函數，我們設計的人工神經網絡能夠學習電子如何圍繞原子核定位的複雜模式。」

「電子波函數的一個獨特特徵是它們的反對稱性。當兩個電子交換時，波函數必須改變其符號。我們必須將這種特性構建到神經網絡體系結構中才能工作」。

　　這類似於泡利不相容原理（Pauli's Exclusion Principle），因此研究人員將該神經網絡體系命名為「PauliNet」。

　　除了泡利不相容原理之外，電子波函數還具有其他基本物理特性。PauliNet 的成功之處不僅在於利用 AI 訓練了數據，還在於它將這些物理屬性全部集成到了深度神經網絡中。

　　對此，FrankNoé還特意強調說：

「將基本物理學納入 AI 至關重要，因為它能夠做出有意義的預測，這是科學家可以為 AI 做出有實質性貢獻的地方，也是我們關注的重點。」

　　實驗結果：高精度、高效率

　　PauliNet 對電子薛丁格方程深入學習的核心方法是波函數 Ansatz，它結合了電子波函數斯萊特行列式（Slater Determinants），多行列式展開（Multi-Determinant Expansion），Jastro 因子（Jastrow Factor），回流變換（backflow transformation,），尖點條件（Cusp Conditions）以及能夠編碼異質分子系統中電子運動複雜特徵的深層神經網絡。如下圖:

　　論文中，研究人員將 PauliNet 與 SD-VMC（singledeterminant variational, 標準單行列式變分蒙特卡羅）、SD-DMC（singledeterminant diffusion, 標準單行列式擴散蒙特卡羅）和 DeepWF 進行了比較。

　　實驗結果顯示，在氫分子（H_2）、氫化鋰（LiH）、鈹（Be）以及硼（B）和線性氫鏈 H_10 五種基態能量的對比下，PauliNe 相較於 SD-VMC、SD-DMC 以及 DeepWF 均表現出更高的精準度。

　　同時論文中還表示，與專業的量子化學方法相比—處理環丁二烯過渡態能量，其準確性達到一致性的同時，也能夠保持較高的計算效率。

　　開啟『量子化學』新未來

　　需要說明的是，該項研究屬於一項基礎性研究。

　　也就是說，它在真正應用到工業場景之前，還有很多挑戰需要克服。不過研究人員也表示，它為長久以來困擾分子和材料科學的難題提供了一種新的可能性和解決思路。

　　此外，求解薛丁格方程在量子化學領域的應用非常廣泛。從計算機視覺到材料科學，它將會帶來人類無法想像的科學進步。雖然這項革命性創新方法離落地應用還有很長的一段路要走，但它出現並活躍在科學世界已足以令人興奮。

　　如 FrankNoé教授所說：「相信它可以極大地影響量子化學的未來」。

　　引用連結：

　　https://www.nature.com/articles/s41557-020-0544-y

　　https://interestingengineering.com/deep-learning-ai-has-officially-cracked-schrodingers-equation-says-study

　　https://phys.org/news/2020-12-artificial-intelligence-schrdinger-equation.html

　　https://interestingengineering.com/schrodingers-cat-paradox-who-killed-the-cat

相關焦點

  • AI求解薛丁格方程,兼具準確度和計算效率,登上《自然-化學》
    機器之心報導編輯：杜偉、魔王、小舟作為量子力學的基礎方程之一，薛丁格方程一直廣受關注。去年，DeepMind 科學家開發一種新的神經網絡來近似計算薛丁格方程，為深度學習在量子化學領域的發展奠定了基礎。最近，來自柏林自由大學的科學家提出利用人工智慧計算薛丁格方程的基態解，相關研究發表在 Nature Chemistry 上。用 AI 求解薛丁格方程量子化學旨在預測分子的化學和物理性質，它僅利用分子在三維空間中的原子排列來完成。
  • AI學會解薛丁格方程了!精度和速度不遜色最流行的數學工具
    德國柏林自由大學物理系和計算機系的科學家們近日聯合開發了一種人工智慧（AI）方法，用於求解量子化學領域薛丁格方程的基態，突破傳統方法在精確度和計算效率上兩難全的困境。相關論文於12月21日發表在《自然-化學》（Nature Chemistry）上，領導該工作的弗蘭克·諾埃（Frank Noé）相信，這個方法可能會對量子化學的未來產生重大影響。
  • Nat Chem|用深度學習方法求解薛丁格方程
    引言理論上，通過求解給定原子體系電子的不含時薛丁格方程可以獲得任意化學性質。儘管目前只能精確計算出簡單孤立氫原子體系的解析解，但固態物理和量子化學領域都已經發展出了許多成功的數值近似方法。近日，來自德國柏林自由大學的研究者們報導了一種新的深度學習QMC方法——PauliNet，它用功能更強大的深度神經網絡（DNN）表示替代了目前在標準Jastrow factor和backflow transformation中使用的函數形式。除了在表示能力上的增強，該網絡架構是專門為編碼有效波函數而設計的並使用多參考HF方法作為基線。
  • DeepMind開源薛丁格方程求解程序:從量子力學原理出發,TensorFlow...
    曉查 發自 凹非寺量子位 報導 | 公眾號 QbitAI只要解出薛丁格方程，你就能預測分子的化學性質。但現實很骨感，迄今為止，科學家只能精確求解一個電子的氫原子，即使是只有兩個電子的氦原子都無能為力。
  • 我們可以將量子數看作是薛丁格方程的本徵態數
    薛丁格方程是量子力學的基本假設，也是現在大部分涉及到微觀電子的理論基礎。我們既然需要用薛丁格方程解決的問題，那麼薛丁格方程一定是有解的，那麼什麼叫一定是，即無論怎麼能進行求解，一定都是正確的呢？有興趣的同學可以自己試一下，因為這裡不會展開談論波函數坍縮的計算問題。
  • DeepMind新突破!首次用深度學習從第一性原理計算分子能量
    編譯 | 青暮DeepMind發表了一項新研究，展示了深度學習如何幫助解決現實系統中的量子力學基本方程問題，相關論文發表在物理學期刊《Physical Review Research》，代碼也已經開源。
  • 薛丁格方程是什麼?沒有那麼難,看完你也會!
    在科學界中湧現出很多傑出的科學家，我們熟知的科學家有愛伊斯坦、牛頓等等，大家對於薛丁格可能不太了解，薛丁格也是一位很厲害的科學家。埃爾溫·薛丁格是奧地利物理學家，他是量子力學奠基人之一，發展了分子生物學。
  • 海森堡的矩陣力學和薛丁格的波動力學,哪個才是真正的量子世界?
    薛丁格波動方程的提出言歸正傳，1925年薛丁格在瑞士蘇黎世大學工作，偶然間他就讀到了路易·德布羅意的那篇關於物質波的論文，而薛丁格的同事看到了之後就指出這篇論文根本不值一提，物理學應該用方程說話，沒有方程就不是正經物理學，薛丁格聽了這番話之後內心就蠢蠢欲動，關鍵人家也是真有才，一年間他就發表了四篇論文，最終提出了量子力學的波動方程，其中最重要的發現還是在療養院住院期間寫下的
  • 想學量子力學,弄懂薛丁格方程還不夠
    對於很多朋友們來說，矩陣是一門很陌生的數學，尤其是國內物理系學生（包括我在內），在剛接觸量子力學的時候，都是從波動力學（薛丁格方程）開始的。一、量子力學是如何引入矩陣的用矩陣來描述量子力學是一個自然而然的過程，是物理學家們在探索微觀粒子的行為過程中，為了描述粒子的運動狀態，在粒子的位置、動量等與可觀測物理量之間建立聯繫而找到的一種方法。我們先來回顧一下這個過程。
  • 量子科技那些事,「百度無限『量』」科普課堂告訴你!
    提到量子科技，你會想到什麼?是「遇事不決，量子力學」，是量子糾纏，還是薛丁格的貓?又或者是高速運算?這些名詞將量子科技打上「神秘莫測」的印象烙印，常人似乎無法觸及，但實際上量子無處不在。
  • 讓神經網絡給符號AI「打工」,MIT和IBM聯合解決深度學習痛點,未來...
    曉查 發自 凹非寺量子位 報導 | 公眾號 QbitAI現在的AI是神經網絡的天下，但科學家們正在嘗試將神經網絡與「老式AI」結合。這裡說的「老式AI」是上世紀70年代流行的「符號主義」。
  • 書單|量子科技火了,究竟什麼是量子?如何用量子理論重新定義世界?
    量子科技發展突飛猛進，成為新一輪科技革命和產業變革的前沿領域。加快發展量子科技，對促進高質量發展、保障國家安全具有非常重要的作用。量子科技的基本原理也就是量子力學，從薛丁格的貓到去年風靡某教育機構的「量子波動速讀」，聽上去一套一套的，但是不理解真的很容易被人輕易收割一波智商稅。那什麼是量子？我們生活中的可以見到的、感知到的事物，包括光和能量的最小單位都能稱之為量子。簡單來說，就是我們遠處看魚群是烏央烏央的一大片，但放大了看就是一隻一隻的魚，這就可以說是魚群的量子。
  • 關於量子力學的基本原理
    文章抽選關於量子力學基本原理的幾個題目，包括量子力學與經典物理學的對比、量子概念的產生、薛丁格方程的出現、全同性原理和量子路徑積分等，作些說明。目的在於激發讀者思考量子力學的本質在哪裡。關於薛丁格，戴森評論道[4]，大自然開的最大玩笑是-1的平方根。薛丁格1926年發明波動力學時將之加在他的波動方程中。薛丁格從統一力學和光學的想法出發。先此百年，哈密頓用同樣的數學描述光線和經典粒子軌道，統一了經典力學和射線光學。薛丁格的想法是將之推廣到波動光學與波動力學的統一。波動光學已經有了，但波動力學還沒有。薛丁格必須發明波動力學以完成統一。
  • 物理學「神獸」薛丁格的貓,到底代表了什麼?答案比你想像的複雜
    這樣的現象在量子力學中十分常見，如果沒有觀察者存在，那麼我們就無法確定一個量子的狀態。薛丁格這個名字相信很多人都聽說過，但是對他的了解可能並不多，大部分人都是因為「薛丁格的貓」這個有意思的實驗才知道了薛丁格的名字。
  • 一元二次方程求解過程推導
    一元二次方程的解法主要有配方法、公式法和因式分解法等。首先介紹配方法。將一元二次方程化為如下形式若解得以上是用配方法求解一元二次方程的過程，目的就是為了等式左邊配成一個完全平方式，如果等式右邊為非負，則方程在實數範圍內有解。公式法其實就是把上述用配方法求出的結果直接當成公式來用。
  • 谷歌重磅開源新技術:5行代碼打造無限寬神經網絡模型
    魚羊 假裝發自 凹非寺量子位 報導 | 公眾號 QbitAI只要網絡足夠寬，深度學習動態就能大大簡化，並且更易於理解。開箱即用，5行代碼打造無限寬神經網絡模型Neural Tangents 是一個高級神經網絡 API，可用於指定複雜、分層的神經網絡，在 CPU/GPU/TPU 上開箱即用。該庫用 JAX編寫，既可以構建有限寬度神經網絡，亦可輕鬆創建和訓練無限寬度神經網絡。
  • 不僅是天才還多才多藝 埃爾溫·薛丁格
    讓我們來了解一下薛丁格的另外一面吧。 科學的統一，是薛丁格畢生的追求。在建立量子力學的過程中，他從波動理論與量子理論的結合推導出量子力學方程，又從哈密頓光學和力學的形式使方程的推導方法更為直觀，合乎邏輯；在量子力學的物理解釋中，他先後對微觀客體的波粒二象性做了大量的表述。
  • 「百度無限『量』,大咖聊量子」科普預告:量子科技哪些事兒
    近日，國家強調要充分認識推動量子科技發展的重要性和緊迫性，把握大趨勢，下好先手棋。百度作為國內人工智慧領軍者，在量子科技領域取得多項國際領先性成果。為進一步向大眾科普量子技術，展示量子計算極限能力的魅力，10月27日晚8點，「百度無限『量』，大咖聊量子」科普課堂將亮相百度APP。
  • 圖神經常微分方程,如何讓 GNN 在連續深度域上大顯身手?
    一、深度學習中的常微分方程一種類型不同但重要性相等的歸納偏差與收集到數據所使用系統的類別相關。儘管從傳統上看，深度學習一直由離散模型主導，但在最近的研究提出了一種將神經網絡視為具有連續層的模型[6]的處理方法。這一觀點將前向傳播過程，重定義為常微分方程（ODE）中初值求解的問題。
  • 【期刊】廈門大學章慧教授:旋光理論量子力學詮釋的先驅 ——萊昂∙羅森菲爾德 | 大學化學
    費曼對他自己的這一成就甚感得意[30]：「我想到了狄拉克，他一度有自己的方程——一個表明電子如何活動的方程，而我現在也有了這個關於β衰變的新方程。它不像狄拉克方程那樣關係重大，但它是好的。這是我生平第一次發現了一條新定律」。可見，擁有自己滿意且簡潔優美的方程，是多少理論物理學家夢寐以求的目標。麥克斯韋、狄拉克、費曼、薛丁格、愛因斯坦和玻恩都做到了，而羅森菲爾德在25歲時也做到了。