摘要：使用神经网络（一种脑启发的AI形式）的新研究提出了解决分子状态艰难挑战的解决方案。...

使用神经网络（一种脑启发的AI形式）的新研究提出了解决分子状态艰难挑战的解决方案。

该研究表明，该技术如何帮助解决复杂分子系统中的基本方程。

这可能会导致将来的实际用途，从而帮助研究人员在尝试将其制作到实验室之前，先利用计算机模拟制作新材料和化学合成。

该研究由伦敦帝国学院和Google Deepmind科学家领导，今天在科学。

激发分子

该小组研究了了解分子如何向“激发态”过渡的问题。当分子和材料被大量能量（例如暴露于光或高温下）刺激时，它们的电子可以被踢成临时的新构型，称为激发态。

随着状态之间的分子过渡，精确吸收并释放的能量量为不同的分子和材料创造了独特的指纹。这会影响从太阳能电池板和LED到半导体和光催化剂的技术的性能。它们在涉及光（包括光合作用和视力）的生物过程中也起着关键作用。

但是，由于激发电子本质上是量子的，因此这种指纹很难建模，这意味着它们在分子中的位置永远不确定，并且只能表示为概率。

Google DeepMind和Imperial物理学系的主要研究员David PFAU博士说：“代表量子系统的状态极具挑战性。必须将概率分配给电子位置的每种可能配置。

“所有可能配置的空间都是巨大的 - 如果您试图将其表示为沿每个维度有100点的网格，那么硅原子的可能电子配置的数量将大于宇宙中原子的数量。这正是我们认为深神经网络可以帮助您的地方。”

神经网络

研究人员开发了一种新的数学方法，并将其与称为费梅内特（费米金神经网络）的神经网络一起使用，这是第一个使用深度学习来计算基本原理的原子和分子能量的例子，这些原理足够准确，足以有用。

团队通过一系列示例测试了他们的方法，并取得了令人鼓舞的结果。在一个称为碳二聚体的小但复杂的分子上，他们达到了4 MeV（Milleectronvolt-量度的微小量度）的平均绝对误差（MAE），这是实验结果的五倍，是先前的Gold Standard方法的五倍。

PFAU博士说：“我们在计算化学中一些最具挑战性的系统上测试了我们的方法，其中两个电子同时激发，发现我们在迄今为止完成的最苛刻，最复杂的计算的0.1 eV之内。

“今天，我们正在为开放源代码提供最新的作品，并希望研究界能够以我们探索意外方法与光线相互作用的方法为基础。”