神经网络技术开启探索电子相互作用新视野的大门

神经网络作为一种强大的机器学习工具，在理解电子相互作用方面已经打开了一扇新的窗口。以下是神经网络在电子相互作用研究中的几个应用：
1. "分子动力学模拟"：神经网络可以用于预测分子动力学模拟中的电子结构，从而帮助我们更好地理解分子内部的电子相互作用。通过训练神经网络来模拟分子系统的行为，研究人员可以探索电子在不同环境下的分布和运动。
2. "量子化学计算"：在量子化学中，电子相互作用是决定分子性质的关键因素。传统的量子化学计算方法（如Hartree-Fock或密度泛函理论）通常需要大量的计算资源。神经网络可以加速这些计算，通过学习已有的量子化学数据来预测新的分子系统的电子结构。
3. "材料科学"：在材料科学中，了解电子相互作用对于设计新型材料至关重要。神经网络可以帮助预测材料的电子性质，如导电性、磁性等，从而加速新材料的发现。
4. "药物设计"：在药物设计中，理解药物分子与生物大分子（如蛋白质）之间的电子相互作用对于开发新药至关重要。神经网络可以用于预测药物分子的电子结构，从而帮助我们设计出与生物大分子有良好相互作用的药物。
5. "图像识别"：在电子显微镜图像分析中，神经网络可以帮助识别和分类分子结构，从而更好地理解电子相互作用。
以下是一些神经网络在电子相互作用研究中的具体应用实例：
- "深度神经网络（DNN）"：DNN可以用于模拟分子轨道，预测分子的电子

相关内容：

lass="xiangguan" id="content">

据9日《科学》杂志发表的一篇论文，著名的人工智能企业“深度思维”的新研究表明，神经网络可用于构建比以前更准确的电子密度和相互作用图。该研究有助于科学家更好地理解将分子结合在一起的电子之间的相互作用，还显示了深度学习在量子力学水平上准确模拟物质的前景，使研究人员能够改进计算机设计，在纳米级水平探索有关材料、药物和催化剂的问题。

描述量子物质基本性质的密度泛函理论（DFT）于50多年前首次建立，已成为预测化学、生物学和材料科学中电子相互作用特性的主要方法。然而，电子密度和相互作用能量之间映射的确切性质，即所谓的密度泛函，长期以来一直未被理解。因此，即使是最先进的DFT泛函在描述分数电子电荷和自旋时也受到基本系统误差的困扰。

为了解决这些限制，“深度思维”研究人员詹姆斯·柯克帕特里克及其同事使用该公司的平台开发了一个框架，用于在准确的化学数据和分数电子约束上训练神经网络，从而产生功能性的“DM21”。

通过将函数表达为神经网络并将精确的属性合并到训练数据中，DM21能够学习没有两个重要系统误差（离域误差和自旋对称性破坏）的函数，这导致比以前的平台更好地模拟广泛的化学反应类别。DM21的重要性并不在于它产生了最终的密度泛函，而是人工智能方法解决了分数电子和自旋问题，这些问题阻碍了创建泛函的直接分析解决方案。

在短期内，这将使研究人员能够通过代码可用性来改进精确密度泛函的近似值，以便立即使用。从长远来看，这进一步显示了深度学习在量子力学水平上准确模拟物质的前景，将允许研究人员在纳米级水平上探索有关材料、药物和催化剂的问题，来实现计算机中的材料设计。

“了解纳米级技术对于帮助我们应对21世纪的一些主要挑战变得越来越重要，从清洁电力到塑料污染。”柯克帕特里克说，“这项研究是朝着正确方向迈出的一步，使我们能够更好地了解电子之间的相互作用，电子是将分子固定在一起的胶水。”

为了加速该领域的进步，“深度思维”已经发布了这篇论文，并免费提供了开源代码。（记者张梦然）

来源： 科技日报