量子化學在量子尺度上研究化學性質和過程，為現代化學的研究和發現開辟了許多途徑。化學家不需要使用燒杯或試管，就可以研究某一特定原子或分子的電子結構，它們是如何排列在軌道上，以及這些電子如何與其他化合物或原子的電子相互作用，來預測給定原子或分子的性質，以及它將如何發生化學反應。

然而，盡管量子化學已經顯示出強大的威力，但它也有一個很大的缺點：精確的計算是資源密集型和耗時型的，常規化學研究涉及到數天甚至更長時間的計算。

現在，多虧了一種使用機器學習的新量子化學工具，量子化學計算的速度可以比以前快1000倍，從而使精確的量子化學研究比以往任何時候都要快。

這個名為OrbNet的工具是由加州理工學院的化學教授tommiller和Bren計算和數學科學教授animaanandkumar合作開發的。

米勒說：“在量子化學中，計算的準確性和所需時間之間存在著一種相互影響的相互作用。”你可以開始計算，然后說，‘好吧，星期二見。’但現在，計算可以交互進行了。”

OrbNet使用了一個圖形神經網絡，一種機器學習系統，它將信息表示為“節點”，其中包含數據，而“邊”表示這些數據塊之間的關聯方式。

米勒說，OrbNet之所以能像現在這樣工作，是因為在原子和分子映射到圖形神經網絡的方式上有了創新，這種網絡是以薛定諤方程為基礎的，薛定諤方程是量子力學的核心數學。

他說：“以前的圖結構把原子組織成節點，把原子之間的鍵組織成邊，但量子化學并不是這樣想的。”因此，我們建立了一個圖，其中節點是電子軌道，邊是軌道之間的相互作用。這與薛定諤方程有著更為自然的聯系。”

像所有的機器學習系統一樣，OrbNet需要經過培訓才能執行指定的任務，這與獲得新工作的人需要如何為此接受培訓類似。OrbNet學會了在精確參考量子力學計算的基礎上預測分子性質。Anandkumar的研究重點是機器學習，他幫助設計和優化了圖神經網絡的實現。

Orbnet是一個很好的例子，它使用特定領域的特性：在本例中，是分子軌道。這使得機器學習模型能夠精確地計算出比訓練數據中的分子大得多，高達10倍的分子對于一個標準的深度學習模型，這種外推是不可能的，因為它只學習在訓練數據上插值。利用分子軌道的領域知識對我們實現向大分子的轉移至關重要。

目前，OrbNet已經對大約100000個分子進行了訓練，Miller說這使得它能夠為研究人員執行許多有用的計算，但是正在進行的努力旨在將其擴展到更大的訓練數據集。

“分子性質的預測有許多實際的好處。例如，OrbNet可以用來預測分子的結構，它們的反應方式，它們是否溶于水，或者它們如何與蛋白質結合，”他說。

米勒說，未來在OrbNet上的工作將集中在通過額外的培訓來擴大其任務范圍。

他說：“我們已經證明了這種方法在有機化學的一個小角落起作用，但沒有什么能阻止我們將這種方法擴展到其他應用領域。”

責任編輯：YYX