麻省理工Nature子刊：AI加速量子化学计算，精度媲美「金标准」，计算效率提升百万倍！

本篇文章给大家分享《麻省理工Nature子刊：AI加速量子化学计算，精度媲美「金标准」，计算效率提升百万倍！》，覆盖了科技周边的常见基础知识，其实一个语言的全部知识点一篇文章是不可能说完的，但希望通过这些问题，让读者对自己的掌握程度有一定的认识(B 数)，从而弥补自己的不足，更好的掌握它。

编辑 | 2049

精确预测分子电子结构是量子化学计算领域的一大挑战。传统的密度泛函理论 (DFT) 方法计算速度快，但精度有限；而高精度耦合簇 (CCSD(T)) 方法虽然是公认的“金标准”，但其计算成本随分子大小指数增长，难以用于复杂体系。麻省理工学院的研究团队近期取得突破，开发出一种创新的多任务学习方法，将机器学习与量子化学计算相结合，实现了接近 CCSD(T) 精度的分子电子结构预测。这项研究成果已于 2024 年 12 月 27 日发表在《Nature Computational Science》期刊上，题为“Approaching coupled-cluster accuracy for molecular electronic structures with multi-task learning”。

研究背景与挑战

密度泛函理论是目前预测分子电子结构的主流方法，但作为一种平均场理论，其系统误差通常远大于化学精度 (1 kcal/mol)。近年来，机器学习被用于提高 DFT 精度，但由于这些模型基于 DFT 数据训练，精度始终受限于 DFT 本身的理论极限。 另一方面，CCSD(T) 方法精度极高，但其计算复杂度随电子数呈 N⁷ 级增长，仅适用于包含数百个电子的小型分子体系。 该研究团队另辟蹊径，尝试将机器学习与 CCSD(T) 方法结合，以期突破这一瓶颈。

MEHnet：基于物理洞察的深度学习框架

研究团队开发的多任务电子哈密顿网络 (MEHnet) 巧妙地结合了物理学原理和深度学习技术。 该方法首先利用 DFT 获得初始的平均场哈密顿量，作为快速但精度较低的起点。随后，神经网络预测非局域交换关联修正项，该修正项能够捕捉电子间的量子关联效应，最终得到接近 CCSD(T) 精度的有效单粒子哈密顿量。

MEHnet 的核心创新在于其多任务学习策略。不同于只预测分子能量，MEHnet 同时预测多个物理量，包括偶极矩、四极矩、原子电荷和键级等。这些物理量源于同一个电子结构表示，多任务学习能够提升模型的泛化能力。 在技术实现上，MEHnet 采用了 E3-等变神经网络框架，确保预测结果满足物理系统的旋转不变性。

图 1 展示了 MEHnet 的计算流程，包括输入层（将原子构型编码为图结构）、卷积层（利用 E3-等变神经网络提取特征）和输出层（产生多个量子化学性质的预测值）。

图 1：MEHnet 计算流程示意图。（来源：论文）

性能评估与实验结果

研究团队在碳氢化合物数据集上对 MEHnet 进行了全面评估，评估维度包括：训练集大小（从 10 到 7,440 个原子构型）对模型学习效率和泛化能力的影响；与主流 DFT 方法和机器学习模型的性能对比。评估指标包括能量预测误差、偶极矩、四极矩、原子电荷等物理量的均方根误差。

实验结果显示，MEHnet 在计算效率和预测精度方面均取得显著突破。图 2 显示，MEHnet 的计算成本随分子大小近似线性增长 (~N¹)，而 CCSD(T) 方法理论上渐近标度为 N⁷，计算效率提升约百万倍。 在预测精度方面，MEHnet 能量预测误差约为 0.1 kcal/mol 每原子，接近化学精度；其他物理量的预测也普遍优于 B3LYP 等常用混合泛函方法。

图 2：测试数据集上的模型性能基准。（来源：论文）

总结

MEHnet 以 CCSD(T) 级别的精度预测分子电子结构，同时保持 DFT 级别的计算效率，这主要归功于其多任务学习和 E3-等变神经网络的结合。 这项研究不仅解决了量子化学计算中的关键瓶颈，也为未来的跨学科研究提供了新的思路和方法。

论文链接：https://www.nature.com/articles/s43588-024-00747-9

本篇关于《麻省理工Nature子刊：AI加速量子化学计算，精度媲美「金标准」，计算效率提升百万倍！》的介绍就到此结束啦，但是学无止境，想要了解学习更多关于科技周边的相关知识，请关注golang学习网公众号！