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。
這份近期發表在《自然·化學》（Nature Chemistry）期刊上的研究稱，開發了一套深度學習系統實現了精確度和計算有效性的結合，達到前所未有的效果。
這項研究的負責人諾埃（Frank Noe）說：「我們認為這套方法將對未來量子化學的研究起到重要的影響。」
量子化學和薛丁格方程的核心都是所謂的「波函數」——描述電子在分子內部空間的分布和行為的數學函數。
由於電子間互相作用的複雜度，很多量子化學方法不使用波函數，而嘗試僅從分子能量的角度進行計算。這種方法需要用到很多模糊參數，限制了預測效果的質量。
其它一些方法嘗試使用大量簡單的數學基礎模塊，但是導致方法太複雜，一次只能計算幾個原子。
「在準確度和計算開支之間達到有效的平衡，是量子化學領域的終極目標。」這套系統的主要設計者赫爾曼（Jan Hermann）說，「我們認為這套名為量子蒙特卡洛（Quantum Monte Carlo）的系統非常成功，在可接受的計算開支下，準確度也達到了前所未有的水平。」
諾埃介紹說，他們的人工智慧系統使用了一種新的方式展現電子的波函數。「常規的方法從相對簡單的數學模塊構建波函數，而我們設計了一個有能力學習複雜模式的人工智慧網絡，模擬電子在原子核周圍的布局。描述電子的波函數的一個特點是其反對稱性。當兩個電子交換位置的時候，波函數必須交換符號。我們把這個數學特性加入了人工智慧系統內。」
諾埃說，這套系統的另一項革新之處在於，把很多物理特性也直接加入深度學習系統，而不是讓系統通過數據觀察總結這些特性。
「把基礎物理特性加入人工系統，是使系統能夠進行有效預測的重要步驟。這是研究人員能夠對人工系統進行顯著改善的地方，也正是我們的團隊致力所做的。」諾埃說。