伦敦人工智能公司DeepMind的科学家领导的一个团队开发了一种机器学习模型，该模型能通过预测分子中电子的分布来预测分子的特性。这种方法发表于12月10日的《科学》杂志上，它可以比现有技术更准确地计算一些分子的性质。维也纳大学的材料科学家Anatole von Lilienfeld说，“能做到如此精确是一项壮举。
”波兰罗兹理工大学的计算化学家Katarzyna Pernal说，这篇论文是“一项扎实的工作”。但她补充说，在能为计算化学家所用之前，机器学习模型还有很长的路要走。
原则上，材料和分子的结构完全由量子力学决定，特别是由支配电子波函数行为的薛定谔方程决定。这些数学工具能描述特定电子在特定空间位置出现的概率。但是DeepMind的物理学家James Kirkpatrick说，因为所有的电子之间都存在相互作用，所以根据这样的第一性原理计算结构或分子轨道异常棘手，仅能对最简单的分子进行计算，比如苯。
为了避开这个问题，那些依赖新分子的发现或开发的研究人员——从药理学家到电池工程师，几十年来一直使用一套被称为密度泛函理论的技术来预测分子的物理性质。该理论并不模拟单个电子，而是计算电子负电荷在分子中的总体分布。“DFT着眼于平均电荷密度，所以它不知道单个电子的状态。”Kirkpatrick说。物质的大多数性质可以根据该密度轻易地计算出来。
自20世纪60年代DFT建立以来，它已经成为物理科学中应用最广泛的技术之一：2014年，《自然》新闻团队的一项调查发现，在被引次数最多的100篇论文中，有12篇是关于DFT的。材料性质的现代数据库，如Materials Project，很大程度上由DFT计算的数据组成。但是这种方法有局限性，而且现在已经知道它会对某些类型的分子给出错误的结果，甚至包括氯化钠这样简单的分子。
尽管DFT已经比基于基本量子理论的计算要高效得多，但它们仍然很耗时，并且通常需要超级计算机。因此，在过去的十年里，理论化学家越来越多地开始用机器学习进行实验，特别是用在材料的化学反应活性或导热能力等性质的研究上。DeepMind团队可能做出了迄今为止最具野心的尝试，他们利用人工智能来计算电子密度，这是DFT计算的最终结果。
“在某种程度上这属于理想的机器学习问题：你知道答案，但不知道想用什么计算公式。”理论化学家Aron Cohen说。他长期从事DFT研究，目前在DeepMind工作。该团队用薛定谔方程导出的1161个精确解数据训练了一个人工神经网络。为了提高其准确性，他们还将一些已知的物理定律硬连接进了神经网络中。von Lilienfeld说，他们随后用一组DFT计算常用的标准分子测试了训练好的系统，结果很出色。
“这是研究群体目前能得到的最好结果了，而他们大获全胜。”他说。von Lilienfeld补充说，机器学习有个优点是，尽管训练模型需要海量的计算能力，但这个过程只要做一次，之后就能在普通笔记本电脑进行独立的预测运算。与每次都从头开始计算相比，机器学习模型大大降低了成本和碳足迹。
Kirkpatrick和Cohen说，DeepMind正在发布他们训练好的系统供任何人使用。作者表示，目前该模型主要适用于分子，而不适用于材料的晶体结构计算，但之后的版本也可能会适用于材料。