柏林自由大学的研究人员开发了一种人工智能方法来计算薛定谔方程的基态。这个薛定谔方程是量子化学中的基本问题之一。量子化学的目标是完全根据分子在空间中的排列来预测分子的化学和物理特性。
能够这样做将消除对资源密集型和耗时的实验室实验的需要。原则上,求解薛定谔方程将允许根据原子在空间中的排列来预测分子的性质。然而,求解方程是极其困难的。研究人员表示,到目前为止,不可能为任意分子找到一个可以有效计算的精确解。
研究人员开发了一种深度学习方法,以实现前所未有的准确性和计算效率的结合。该项目的一位研究人员表示,该团队相信他们的方法可能会对量子化学的未来产生重大影响。薛定谔方程和量子化学的中心原则之一通常是波函数。我们作为一个数学对象,完全指定了一个分子的电子行为。
挑战在于波函数是一种高维结构,很难捕捉到编码单个电子的所有细微差别以及它们如何相互影响。研究人员开发的深度神经网络是一种表示电子波函数的新方法。该团队表示,与从相对简单的数学组件组成波函数的标准方法不同,人工神经网络可以学习电子如何围绕原子核定位的复杂模式。
该团队指出,电子波函数的一个特殊特征是高度不对称。当两个电子交换时,波函数必须改变它们的符号。该团队必须将该属性构建到神经网络架构中,以用于他们的工作方法。该特征被称为泡利不相容原理,这也是神经网络被称为“泡利网”的原因。对神经网络的研究正在进行中。