AI求解薛丁格方程，兼具準確度和計算效率，登上《自然-化學》

2020-12-23 機器之心Pro

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。今年九月份，柏林自由大學的幾位科學家提出了一種新的深度學習波函數擬設方法，它可以獲得電子薛丁格方程的近乎精確解。相關研究發表在 Nature Chemistry 上。

即使並非物理學界人士，我們也對薛丁格這個名字並不陌生，比如「薛丁格的貓」。著名物理學家埃爾溫 · 薛丁格是量子力學奠基人之一，他在 1926 年提出的薛丁格方程（Schrödinger equation）為量子力學奠定了堅實的基礎。薛丁格方程是描述物理系統的量子態怎樣隨時間演化的偏微分方程，是量子力學的基礎方程之一。

在經典力學裡，人們使用牛頓第二定律描述物體運動。而在量子力學裡，類似的運動方程為薛丁格方程。薛丁格方程的解完備地描述物理系統裡微觀尺寸粒子的量子行為，包括分子系統、原子系統、亞原子系統。微觀系統的狀態由波函數來描寫，薛丁格方程即是波函數的微分方程。若給定了初始條件和邊界的條件，就可由此方程解出波函數。另外，薛丁格方程的解還可完備地描述宏觀系統，可能乃至整個宇宙。

求解薛丁格方程可以為化學反應提供線索。化學反應的結果基本上與電子以及它們環繞原子和分子的方式有關。而控制事物反應的能量以及電子在分子中的軌道的差異決定了化學物質的形狀，也由此決定了其性質。計算這一能量的方式就是求解薛丁格方程。換句話說，求解出薛丁格方程，就可以知道化學反應的結果。

然而，這並非易事。此前，我們可以精確求解的原子只有氫原子——僅具備一個質子和一個電子。

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。這可以減少對資源的需求，並加快實驗速度。理論上，這可以通過求解薛丁格方程來完成，但在實踐中這往往非常困難。目前，人們仍無法高效求得任意分子的精確解。

最近，來自柏林自由大學的科學家提出一種深度學習方法，達到了前所未有的計算效率和準確度權衡。

該研究作者之一 Frank Noé 教授表示：「我們認為這一方法或將極大地影響量子化學的未來。」

無需在準確度和計算成本之間做出取捨

波函數是量子化學和薛丁格方程的關鍵所在，是一種描述分子內電子行為的函數。它是一種高維實體，這使得捕獲編碼特定電子之間相互影響方式的頻譜變得極度困難。

量子化學領域中的許多方法不再只是嘗試以數學方式獲得特定分子的能量，但這需要近似值，限制了預測的質量。還有一些利用大量簡單數學構造塊表示波函數的方法，但這些方法過於複雜，難以針對較多原子計算波函數。

該研究一作 Jan Hermann 設計了新方法的關鍵特徵，他表示：「避免在準確度和計算成本之間進行權衡是量子化學的最高成就。」

將物理屬性引入 AI 神經網絡

Hermann 表示：「到目前為止，最流行的方法是極具成本效益的密度泛函理論。我們認為我們提出的深度『Quantum Monte Carlo』方法至少可以達到同樣好的效果。該方法以可接受的計算成本提供了前所未有的準確度。」

該研究設計了一個深度神經網絡來表示電子的波函數，這是一種全新的方法。Noé 解釋說：「我們沒有使用用相對簡單的數學成分組成波函數的標準方法，而是設計了一種人工神經網絡，它能夠學習電子圍繞原子核運動的複雜模式。」

Hermann 表示：「電子波函數的獨特性在於反對稱性。在交換兩個電子時，波函數需要改變符號，我們必須將這種特性引入到神經網絡架構中才能使之奏效。」

受泡利不相容原理啟發，PauliNet 方法誕生

受到「泡利不相容原理」（Pauli exclusion principle）的啟發，研究者將他們的方法命名為「PauliNet」。它是一種深度學習波函數擬設，可以獲得電子薛丁格方程的近乎精確解。PauliNet 具有一個作為基線的內置多參考哈特裡－福克（Hartree–Fock）解，集成有效波函數的物理特性，並使用變分量子蒙特卡羅方法（variational quantum Monte Carlo, VMC）進行訓練。

PauliNet 擬設架構的信息流如下圖所示：

在實驗部分，研究者採用了用於 DeepWF（Han et al., 2019）的相同系統，具體為氫分子（H_2）、氫化鋰（LiH）、鈹（Be）以及硼（B）和線性氫鏈 H_10。研究者將 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。

結果表明，PauliNet 的性能優於這三種用於原子、雙原子分子和強相關氫鏈的 SOTA VMC 擬設方法，並且具有較高的計算效率。下表 1 為使用這四種不同方法時，H_2、LiH、Be、B 和 H_10 五種系統的基態能量對比：

求解薛丁格方程的潛在應用

研究者預計，由於系統大小對實驗效果具有正面影響，該方法可能成為中型分子系統上高準確度電子結構計算的新主導方法。

當然，在本研究提出的新方法能夠處理工業應用之前，研究者還有很多需要克服的難題。研究者表示：「這是一項基礎性研究，但對於分子和材料科學中的古老問題而言卻是一種最新方法。我們很高興該方法創造了無限的可能性。」

求解薛丁格方程在量子化學領域具有廣泛的應用。從計算機視覺到材料科學，求解薛丁格方程將會促成人類想像不到的商品發展。雖然這一革命性創新離落地應用還有很長的一段路要走，但這一研究活躍在科學世界依然令人興奮。

參考連結：

https://arxiv.org/pdf/1909.08423.pdf

https://www.wikiwand.com/zh-sg/%E8%96%9B%E5%AE%9A%E8%B0%94%E6%96%B9%E7%A8%8B

https://baike.baidu.com/item/%E8%96%9B%E5%AE%9A%E8%B0%94%E6%96%B9%E7%A8%8B

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

相關焦點

  • 用深度神經網絡求解『薛丁格方程』,AI開啟量子化學新未來|Nature...
    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。
  • 用深度神經網絡求解「薛丁格方程」,AI開啟量子化學新未來|Nature...
    最近，來自柏林自由大學(Freie Universitt 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。
  • 用深度神經網絡求解「薛丁格方程」，AI開啟量子化學新未來｜Nature子刊
    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基本方程來解決。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。
  • 用神經網絡求解薛丁格方程,DeepMind開啟量子化學新道路
    現在，量子化學也在逐漸使用神經網絡進行相關的工作了。近日，DeepMind 的科學家開發了一種新的神經網絡架構，可以用於近似計算薛丁格方程。這為深度學習在量子化學領域的發展奠定了基礎。論文地址：https://arxiv.org/abs/1909.02487神經網絡已知最好的應用是在人工智慧領域——視覺、語音和遊戲，但它們在科學和工程領域也有嚴肅的應用。谷歌的 DeepMind 已經訓練出了一個能求解薛丁格方程的神經網絡。為什麼要計算薛丁格方程呢？
  • 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。
  • AI求解薛丁格方程;陶大程等深度學習理論進展綜述
    機器之心 & ArXiv Weekly Radiostation參與：杜偉、楚航、羅若天本周的重要論文包括人工智慧計算薛丁格方程的基態解以及雪梨大學陶大程等的深度學習理論進展綜述。
  • 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。這些從物理學出發的架構選擇，對於獲得一個不僅高度準確，而且還能穩健收斂，同時保持計算效率的方法至關重要。通過幾個體系的測試，作者展示了PauliNet這一神經網絡擬設可以使用更少的行列式達到較高的精度。另外，作者還使用28電子的環丁二烯分子的過渡態能量計算進一步展現了PauliNet的優勢。
  • 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。這些從物理學出發的架構選擇，對於獲得一個不僅高度準確，而且還能穩健收斂，同時保持計算效率的方法至關重要。通過幾個體系的測試，作者展示了PauliNet這一神經網絡擬設可以使用更少的行列式達到較高的精度。另外，作者還使用28電子的環丁二烯分子的過渡態能量計算進一步展現了PauliNet的優勢。
  • 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。
  • 科學家成功利用人工智慧解薛丁格方程
    德國柏林自由大學（Freie Universitt Berlin）的科學家發明了一套方法，使用人工智慧計算量子化學領域薛丁格方程，幫助設計化工和藥物分子。量子化學研究的目標是僅基於內部原子空間布局的信息，預測分子的化學和物理特性，省去傳統研究開發出實際藥物在實驗室進行測試的過程。研究人員發現從理論上說，這個過程可以利用薛丁格方程解決，但是實際操作上非常困難。在這份研究之前，科學家無法通過計算找到藥物分子設計的精確方案。
  • DeepMind發了篇物理論文，用神經網絡求解薛丁格方程
    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。，根本無法精確求解。（註：波函數平方表示電子出現的概率）誤差小於0.5%即可預測分子的能量，但這對於化學家來說遠遠不夠，要準確預測分子的形狀和化學性質，需要0.001%的精度，相當於以毫米精度測量足球場寬度。
  • 薛丁格方程學了這麼久只會求解氫原子?沒有Ta,知道薛丁格方程也白搭!
    量子力學求解的困難上世紀初出現的量子力學為我們研究微觀世界的運行機理提供了強有力的工具，似乎所有的問題都可以通過求解一個薛丁格方程來解決。但在實際應用過程中卻發現能夠精確求解的體系實在是少之又少，即便是最簡單的氫原子求解起來也並不容易，對於更加複雜的凝聚態體系更是無從下手。
  • 【仿真百科】薛丁格方程
    在量子力學中，薛丁格方程的解（即波函數）通過波函數的線性組合，產生基本粒子在時間和空間上的位置的概率函數。在大多數情況下，量子化能級存在波函數；也就是說，可能只存在特定的離散值。例如，電子密度波函數可以產生原子和分子的軌道概率函數。我們來看一個使用薛丁格方程公式描述氫原子的例子：
  • 北大楊超:以偏微分方程求解為例,AI如何助力科學計算?
    在報告中楊老師介紹到：科學計算和超級計算之間相互促進、共同發展的閉環已經形成了幾十年了，人工智慧近年巨大的成功為科學計算帶來了新思路、新方法、新工具，而科學計算的嚴謹體系則有助於提升現有人工智慧技術的可解釋性。另外，楊老師還以求解偏微分方程舉例說明了神經網絡這一工具為科學計算帶來的幫助，並闡述了超級計算、科學計算、人工智慧從模型、算法、軟體、硬體多方位融合發展的觀點。
  • 神經網絡還能求解高級數學方程?
    通過開發一種將複雜數學表達式表示為一種語言的新方法，然後將解決方案視為序列到序列的神經網絡的翻譯問題，我們構建了一個在解決積分問題以及一階和二階微分方程方面都優於傳統計算系統的系統。以前，這類問題被認為是深度學習模型所無法企及的，因為求解複雜方程需要精度而不是近似值。
  • 為什麼我們常說薛丁格不懂「薛丁格方程」?
    上一期文章我詳細講解了薛丁格方程的內涵，其實薛丁格方程的作用就是預測微觀粒子所處位置的概率，因為量子力學和我們的宏觀運動力學不同，宏觀運動力學只要我們知道了運動的「初始狀態」信息，就可以根據牛頓力學計算出將來發生的一切，並且計算的結果是肯定的，不存在的概率一說。
  • 五分鐘徹底搞懂「薛丁格方程」
    那就是薛丁格方程。可以這麼說，牛頓定律在宏觀世界裡幾乎是無所不能，那麼「薛丁格方程」就是微觀世界的「牛頓力學」，只不過微觀世界一般人不會直接觀看到，所以對薛丁格這個人感覺沒有牛頓名氣大，下面我正式給出薛丁格方程的形式。
  • 薛丁格方程
    薛丁格方程可以分為「含時薛丁格方程」與「不含時薛丁格方程」兩種。含時薛丁格方程與時間有關，描述量子系統的波函數怎樣隨著時間而演化。不含時薛丁格方程則與時間無關，描述了定態量子系統的物理性質；該方程的解就是定態量子系統的波函數。量子事件發生的概率可以用波函數來計算，其概率幅的絕對值平方就是量子事件發生的概率密度。
  • 谷歌量子計算登Science封面，首次對化學反應進行量子模擬
    去年10月，谷歌的量子計算機因為實現了「量子優越性」登上了Nature封面，僅用了200秒就解決了超算需要1萬年才能求解的量子電路採樣問題。只需更少的運算量和信息，就能計算出化學物質的性質。量子計算機模擬化學分子用處巨大。除了谷歌外，其他擁有量子計算技術的公司也在也研究，微軟就是其中一員。
  • 薛丁格方程及薛丁格的貓
    薛丁格方程解釋了許多已經觀測到的量子現象,並引入了量子波是概率波的奇異解釋。埃爾溫·薛丁格對科學最重大的貢獻當屬薛丁格方程,即決定亞原子粒子運動的波動方程。薛丁格方程是現代量子力學的一大根基。薛丁格1887年出生於維也納,早年興趣非常廣泛,但最終被維也納大學錄取,學習物理學,並於1910年畢業。此後,薛丁格為奧地利物理學家弗朗茨·埃克斯納( Franz Exner)工作了一段時間。