当电子问题遇到了神经网络，会碰撞出什么样的火花呢？DeepMind的最新研究向我们揭晓了答案。刊登在最新一期Science论文Pushing the frontiers of density functionals by solving the fractional electron problem显示，神经网络可以用来构建比以前更精确的电子密度和相互作用图。
这一结果无疑会帮助科学家们更好地理解电子之间的相互作用，向着深入的研究进一步迈进，这也表明了深度学习（DL, Deep Learning）有望在量子力学水平上精确模拟物质——这可能使得研究人员在纳米水平上探索关于材料、药物和催化剂的问题，从而改进计算机的设计。简而言之，这是一次电子和分子的深度结合。
这次研究涉及一个非常重要的理论——密度泛函理论（DFT, Density functional theory）。早在50多年前，这个用来描述量子物质基本性质的理论首次建立，实现了在量子水平上描述物质，该方法将电子在给定原子组中的位置与原子共享的总能量相关联，以确定分子的化学和物理特性。
作为人类智慧的结晶之一，很快地，它便成为物理、化学、材料科学等多个领域的强有力工具，是学习计算凝聚态物理/计算材料学/计算化学的必修基础理论。
DeepMind的神经网络可以用于构建比先前更精确的电子密度和相互作用图，摆脱了此前的诸多限制。
作为DeepMind的研究科学家，James Kirkpatrick和他的同事使用DeepMind平台开发了“DM21”（DeepMind 2021）框架，可以利用精确的化学数据和分数电荷约束来训练神经网络。根据研究报告，DM21能够避免两个重要的系统误差（离域误差和自旋对称性）的破坏，从而学习泛函，更好地描述广泛的化学反应类别。
DeepMind演示了神经网络如何提高密度泛函的近似值，有力地显示了DL在量子力学水平上精确模拟物质的前景。此外，DeepMind还开源了代码，为研究者提供了探索研究的基础。
对于这一成果，James Kirkpatrick表示：“了解微观尺度现象对于帮助我们应对21世纪的一些重大挑战，从清洁电力到塑料污染，正变得越来越重要……这项研究朝着正确方向迈出的关键一步，使我们能够更好地理解电子之间的相互作用，而电子就是将分子粘在一起的‘胶水’。”