金沙js0888_首頁(欢迎您)

  • <td id="dgejl"><strike id="dgejl"></strike></td>
        1. DeepMind发了篇物理论文,用神经网络求解薛定谔方程

          作者: 晓查 2020-10-21 14:52:00

          本文经AI新媒体量子位(公众号ID:QbitAI)授权转载,转载请联系出处。

           只要解出薛定谔方程,你就能预测分子的化学性质。但现实很骨感,迄今为止,科学家只能精确求解一个电子的氢原子,即使是只有两个电子的氦原子都无能为力。

          DeepMind发了篇物理论文,用神经网络求解薛定谔方程

          原因是有两个以上电子组成的薛定谔方程实在太复杂,根本无法精确求解。

          既然找不到精确解,科学家们希望能找到一种实用的近似解求法,只要结果足够近似,也能预测原子或分子的行为。

          近日,DeepMind开源了一个“费米网络”(FermiNet),用来求解分子的电子行为,在30个电子的有机分子上也达到了很高的精度。文章结果发表在期刊Physical Review Research上。

          为什么叫费米网络

          在量子力学中,电子没有精确的位置,我们只能从波函数预测电子在空间中出现的概率,也就是电子云。

          比如氢原子的电子云就有以下几种形态。

          DeepMind发了篇物理论文,用神经网络求解薛定谔方程

          曲面内表示电子出现的高概率区域。蓝色区域波函数为正,紫色区域波函数为负。(注:波函数平方表示电子出现的概率)

          误差小于0.5%即可预测分子的能量,但这对于化学家来说远远不够,要准确预测分子的形状和化学性质,需要0.001%的精度,相当于以毫米精度测量足球场宽度。

          电子在分子中不仅受到原子核的吸引力、其他电子的斥力,还遵循着量子力学中的费米-狄拉克统计:如果两个电子交换状态,波函数要反号。

          DeepMind发了篇物理论文,用神经网络求解薛定谔方程

          这也意味着两个电子的状态不可能完全相同,否则波函数为0。这在物理中叫做“泡利不相容原理”。

          费米网络正是从这个基本物理原理出发,因此DeepMind将其命名为FermiNet。

          交换后符号相反,这可能会让你想到线性代数中的行列式。行列式任意两行交换,输出结果就要乘以-1。

          物理学家也是这样想的,他们用所谓“Slater行列式”来表示电子波函数,但实际情况比Slater行列式要复杂得多,为了更精确表示电子行为,往往需要几百万个Slater行列式的线性组合。

          DeepMind发了篇物理论文,用神经网络求解薛定谔方程

          工作原理

          与函数线性组合相比,神经网络在表示复杂函数时往往更具有优势。

          在构造FermiNet之初,研究人员就把泡利不相容原理作为第一性原理引入神经网络。

          在FermiNet中,每个电子都有单独的信息流。不仅如此,他们将网络每一层所有流平均化,然后传递给下一层的每一流。这样,这些流就具有正确的反对称性要求。

          DeepMind发了篇物理论文,用神经网络求解薛定谔方程

          而且在FermiNet行列式中的每个元素都包含所有电子,效率远远超出波函数只有单个电子的情况。

          与Slater行列式不同,FermiNet是通用函数逼近器,如果神经网络层变得足够宽,则可以无限逼近真实波函数。

          这意味着,如果我们正确地训练这些网络,它们应该能够将几乎完全精确的解拟合到薛定谔方程。

          训练是通过最小化系统的能量来拟合FermiNet。FermiNet用蒙特卡洛方法随机选择电子构型,在每个电子排列中局部评估能量,累加每个排列的贡献,并将其最小化。

          实验结果

          研究人员将FermiNet用在具有10个电子以内的原子上,能量精度均在99.8%左右。

          DeepMind发了篇物理论文,用神经网络求解薛定谔方程

          对于30个电子的环二丁烷,FermiNet算出的能量达到了97%的精度,虽然精度不是很高,但DeepMind表示,作为一种“便宜但不够准确”的方法,这是巨大的成就。

          现在FermiNet已经在GitHub上开源,代码基于TensorFlow实现,如果你想用它算一算氢分子,不妨试试这串代码:

          经过100次迭代后,该程序会输出一个氢原子波函数文件。官方建议最好用GPU来运行,因为他们计算乙烯分子就用8个GPU花2天时间才算出。

          除了研究电子外,DeepMind还将神经网络用于其他基础科学研究,比如蛋白质折叠、玻璃态动力学、晶格量子色动力学等。

          神经网络 AI 算法
          上一篇:人工智能如何应用于数据中心的物理安全 下一篇:并非里程碑! Facebook的100种语言互译模型夸大宣传遭质疑
          评论
          取消
          暂无评论,快去成为第一个评论的人吧

          更多资讯推荐

          “人脸识别第一案”终审判决来了

          4月9日下午3点,“人脸识别第一案”在杭州市中级人民法院迎来二审判决。这桩案件起源于游客郭某因不满杭州野生动物世界将年卡用户入园方式从指纹识别升级到人脸识别,而以侵犯隐私权和服务合同违约为由将杭州野生动物世界告上法庭。

          浙江日报 ·? 23h前
          人工智能的三个必要条件

          2016年,AlphaGo下围棋战胜李世乭,大家都认为人工智能的时代到来了。人工智能也是同样的在一定的历史契机下,几个独立发展的领域碰巧合并在一起就产生了巨大的推动力。这一波人工智能发展的三个必要条件是:深度学习模型,大数据,算力(并行计算)。

          麦教授说 ·? 23h前
          CPU比GPU训练神经网络快十几倍,英特尔:别用矩阵运算了

          神经网络训练通常是 GPU 大显身手的领域,然而莱斯大学和英特尔等机构对 GPU 的地位发起了挑战。

          机器之心 ·? 1天前
          企业在应用人工智能时不可不知的5个误区

          研究表明,70%以上的企业如今将人工智能视为游戏规则的改变者。然而,目前使用人工智能或计划很快使用人工智能的企业不到40%。人们对人工智能重要性的认识差距仍然很大,以下是五个关于人工智能的常见误区或误解。

          Geertrui Mieke ·? 2天前
          智能交通信号灯让行动缓慢的行人有更多时间过马路

          无论您是开车还是走路,无论您在哪里,交通信号灯都会让您烦恼。如果您带着小孩子或老人过马路,肯定特别希望信号灯能晚点变红。

          iothome ·? 2天前
          为什么信不过AI看病?数据集小、可靠性差,AI医疗任重道远

          近年来,AI 在医疗诊断中的应用受到了越来越多的关注,也出现了一些实际的应用场景,如药物筛选、AI 诊断。但似乎正确的 AI 医疗诊断难以实现,这是哪些原因造成的呢?本文探讨并汇总了人们对 AI 医疗诊断的一些独到见解。

          机器之心 ·? 2天前
          滴滴自动驾驶发布全球首个5小时连续无接管路测视频

          今天,滴滴自动驾驶发布全球首支自动驾驶连续5小时无接管视频。滴滴自动驾驶公司COO孟醒,邀请Udacity创始人兼董事长、谷歌无人驾驶项目创始人、被誉为“无人车之父”的Sebastian Thrun参与连线,一起讨论这支视频中的技术亮点。

          新民晚报 ·? 2天前
          人工智能将如何重塑房地产行业

          随着数字化进程的不断推进,人工智能在促进房地产经济增长方面发挥着重要作用。

          佚名 ·? 2天前
          Copyright?2005-2021 51CTO.COM 版权所有 未经许可 请勿转载
          金沙js0888