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...

2021-01-08 雷鋒網

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 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。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（Schrdinger Equation），是量子力學中的一個基本方程。

又稱薛丁格波動方程（Schrdinger Wave Equation），它的命名來自一位名為埃爾溫·薛丁格（Erwin Schrdinger）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

雷鋒網雷鋒網雷鋒網

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子刊
    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。
  • 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 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。
  • 用神經網絡求解薛丁格方程,DeepMind開啟量子化學新道路
    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。
  • AI求解薛丁格方程，兼具準確度和計算效率，登上《自然-化學》
    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。
  • AI求解薛丁格方程;陶大程等深度學習理論進展綜述
    深度神經網絡架構的構建一定程度上受到了生物大腦和神經科學的啟發。就像生物大腦的內部運行機制一樣，深度網絡在很大程度上無法得到解釋，沒有一個統一的理論。對此，來自麻省理工學院（MIT）的研究者提出了深度學習網絡如何運行的新見解，有助於人們揭開人工智慧機器學習的黑匣子。
  • DeepMind發了篇物理論文，用神經網絡求解薛丁格方程
    只要解出薛丁格方程，你就能預測分子的化學性質。原因是有兩個以上電子組成的薛丁格方程實在太複雜，根本無法精確求解。這意味著，如果我們正確地訓練這些網絡，它們應該能夠將幾乎完全精確的解擬合到薛丁格方程。官方建議最好用GPU來運行，因為他們計算乙烯分子就用8個GPU花2天時間才算出。除了研究電子外，DeepMind還將神經網絡用於其他基礎科學研究，比如蛋白質摺疊、玻璃態動力學、晶格量子色動力學等。
  • 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。
  • 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。
  • 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。
  • 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。
  • 量子化學機器學習模擬:提供了誘人的化學前景
    科學家們結合了深度機器學習和量子蒙特卡洛（Quantum Monte Carlo，簡稱QMC）方法。DeepMind研究人員和倫敦帝國理工學院將其稱為費米網（Fermi Net）。IBM科學家說，在化學領域，深度學習也許能夠通過精確地找到原子周圍的波函數來求解原子周圍電子的薛丁格方程。
  • 3D列印出來的深度神經網絡,光速求解AI數學運算
    由於當前的深度學習需要大量並行計算，GPU 成了更廣泛的選擇。但即使最先進的 GPU 也是用矽和銅製成的，信息需要沿著錯綜複雜的電路以脈衝的形式傳播。這就意味著，不論是執行新的計算還是重複的計算，傳統 GPU 都會產生能耗。因此，當深度學習中的這些「層」已經完成訓練，並且所有參數的值都確定下來，它還會一次次地重複計算與耗能。
  • 天生一對,硬核微分方程與深度學習的「聯姻」之路
    微分方程真的能結合深度神經網絡？真的能用來理解深度神經網絡、推導神經網絡架構、構建深度生成模型？我們將從鄂維南、董彬和陳天琦等研究者的工作中，窺探微分方程與深度學習聯袂前行的路徑。那麼什麼是微分方程，它結合深度學習又有什麼用呢？按照維基百科的描述：「微分方程是一種數學方程，用來描述某一類函數與其導數之間的關係」，因此一個方程如果同時包含函數及其導數，那麼就可以稱為微分方程。例如，f'(x) = 2x 就是一個常微分方程，我們可以「看出來」其通解為 f(x)=x^2 +C，其中 C 表示任意常數。
  • MIT新突破:Nature Photonics揭秘新型光學深度神經網絡系統
    該概念圖展示了集成在印製電路板上的可編程納米光子（nanophotonic）處理器，其將助力深度學習計算基於模擬人類大腦激活傳導的人工神經網絡，與其多層疊加的「深度學習」計算機系統已經成為了計算機科學的熱門話題。除了引發了如人臉識別和語音識別等技術的變革外，這些系統不僅可以利用眾多的醫學數據找到可以高效診斷的模式，同時還能掃描化學成分而找到可能的新藥物。
  • 開啟量子力學大門的鑰匙:薛丁格方程
    開啟量子力學大門的鑰匙：薛丁格方程牛頓經典力學主要是解決宏觀物體運動問題的，準確的說是解決宏觀低速物體運動的（高速物體需要應用到相對論），但我們生存的宇宙不僅僅有宏觀世界，還有由我們看不見的微觀粒子構成的微觀世界，在微觀世界中有數以億萬級的微觀粒子，即使在我們休息的臥室中，也存在超過1024個空氣分子的運動，如果使用F=
  • 敲開圖靈之門:量子計算機的「前世、今生、未來」
    就量子計算機而言，糾纏和疊加使我們能夠在單次操作中同時計算多個量子比特的信息。本質上，這種計算模型允許我們探索不同的路徑，並同時執行數學運算。這是量子計算機提供的關鍵優勢。這種固有的並行性非常有效，我們稱之為「指數計算能力」。為了成倍增強計算能力，我們只需要在電路中增加一個量子比特。這一發現促成了「量子算法」的發展，該算法利用量子計算機提供的並行性，在某些問題上獲得了相比最優經典求解的指數級加速。
  • 現有光纖網絡正被推向極限,未來怎麼辦?薛丁格波動方程來幫忙!
    這一新工具可以幫助設計下一代數據傳輸光纖網絡，其研究成果發表在《自然通訊》期刊上。這種類型的光在光纖中的傳播，可以用量子物理的關鍵元素薛丁格波動方程很好地建模。但是，當信號強度增加以傳輸更遠距離的信號時，非線性效應成為一個問題。
  • 業界| 分子性質預測新突破:谷歌新型神經網絡助力化學研究
    機器學習（ML）近來已經在化學領域實現了很多激動人心的應用，尤其是在化學搜索問題上——從藥物發現和電池設計到尋找更好的 OLED 和催化劑。歷史上，化學家曾經在這些化學搜索中使用過薛丁格方程的數值近似方法，比如密度泛函理論（DFT）。但是，這些近似方法的計算成本限制了搜索的規模。
  • 人類首次完全利用AI發現「迄今最強抗生素」,登《細胞》雜誌封面
    更重要的是，這種方法具有一定的泛化性，可以應用於其他類型的藥物研究，例如用於治療癌症或者是神經退行性的疾病。發現過程在尋找新抗生素的過程中，研究者訓練了一個深度神經網絡，以尋找抑制大腸桿菌生長的分子。在訓練過程中，他們用到了 2335 個已知具有抗菌活性的分子，包括大約 300 種已獲批的抗生素和 800 種從植物、動物和微生物中得到的天然產物。