柏林自由大學的研究人員開發(fā)了一種人工智能方法來計算薛定諤方程的基態(tài)。這個薛定諤方程是量子化學中的基本問題之一。量子化學的目標是完全根據(jù)分子在空間中的排列來預測分子的化學和物理特性。

能夠這樣做將消除對資源密集型和耗時的實驗室實驗的需要。原則上，求解薛定諤方程將允許根據(jù)原子在空間中的排列來預測分子的性質。然而，求解方程是極其困難的。研究人員表示，到目前為止，不可能為任意分子找到一個可以有效計算的精確解。

研究人員開發(fā)了一種深度學習方法，以實現(xiàn)前所未有的準確性和計算效率的結合。該項目的一位研究人員表示，該團隊相信他們的方法可能會對量子化學的未來產(chǎn)生重大影響。薛定諤方程和量子化學的中心原則之一通常是波函數(shù)。我們作為一個數(shù)學對象，完全指定了一個分子的電子行為。

挑戰(zhàn)在于波函數(shù)是一種高維結構，很難捕捉到編碼單個電子的所有細微差別以及它們如何相互影響。研究人員開發(fā)的深度神經(jīng)網(wǎng)絡是一種表示電子波函數(shù)的新方法。該團隊表示，與從相對簡單的數(shù)學組件組成波函數(shù)的標準方法不同，人工神經(jīng)網(wǎng)絡可以學習電子如何圍繞原子核定位的復雜模式。

該團隊指出，電子波函數(shù)的一個特殊特征是高度不對稱。當兩個電子交換時，波函數(shù)必須改變它們的符號。該團隊必須將該屬性構建到神經(jīng)網(wǎng)絡架構中，以用于他們的工作方法。該特征被稱為泡利不相容原理，這也是神經(jīng)網(wǎng)絡被稱為“泡利網(wǎng)”的原因。對神經(jīng)網(wǎng)絡的研究正在進行中。