DeepMind最新成果剑指量子力学，FermiNet或将破解近百年计算难题
DeepMind最新成果剑指量子力学，FermiNet或将破解近百年计算难题
DeepMind与帝国理工学院合作，推出新的神经网络方法FermiNet，用于求解量子激发态。继AlphaFold 3掀起生物学革命后，DeepMind在量子力学领域再次取得突破性进展。
8月22日，DeepMind与帝国理工学院的研究团队在《Science》杂志上发表最新研究成果，介绍了一种通过变分蒙特卡罗（variational Monte Carlo）算法来估计量子系统激发态的新方法。这一突破性进展不仅解决了量子力学领域长期存在的计算难题，也为新材料和化学合成物的计算机模拟开辟了新的可能性。
FermiNet：量子力学计算的创新解决方案
FermiNet是DeepMind和帝国理工学院于2020年联合开发的神经网络架构，其设计初衷是解决量子力学中最基本的方程——薛定谔方程的求解问题。这一创新架构特别适合对大量电子集合（即化学键的基本构建块）的量子态进行建模。
FermiNet的创新之处在于它能够首次用深度学习方法、根据第一性原理计算原子和分子的能量，其准确度足以发挥实际作用。更重要的是，这一方法不仅是一个重要的基础科学突破，还可能在未来产生实际应用，比如在制造新材料和化学合成物之前，使用计算机进行模拟或原型制作。
除了FermiNet，DeepMind在2022年发布的基于自注意力的架构Psiformer仍然是迄今为止用于求解量子力学方程的最准确的AI方法。
量子力学：从理论到计算的挑战
量子力学作为现代物理学的基石之一，其核心方程——薛定谔方程足以描述所有熟悉物质在原子和原子核水平上的行为。然而，实际计算中科学家们发现，只有氢原子的方程可以求解，其他都过于复杂而无法直接计算。
为了解决这一难题，物理学家们发展了各种近似方法，但都难以同时达到令人满意的准确率和计算效率。直到近年来，深度神经网络在表示复杂的高维概率分布方面取得了巨大进步，为这一领域带来了新的希望。
FermiNet的技术突破
FermiNet的核心创新在于其能够处理电子必须遵守的泡利不相容原理，这意味着电子不能同时处于同一空间。FermiNet通过行列式的反对称属性来实现这一特性，同时引入了流之间的对称交互，使波函数更加通用且表达能力更强。
在实验验证中，FermiNet在小型系统中的表现远远优于传统的VMC方法，在较大系统中也取得了令人瞩目的成果。例如，在双环丁烷这一具有30个电子的系统中，FermiNet仍能捕获97%或更多的相关能量。
计算激发态的新方法
除了在基态计算上的突破，DeepMind团队还提出了一种计算量子化学领域中最困难挑战之一的解决方案——了解分子如何在激发态之间转变。这一新方法通过找到具有额外粒子的扩展系统的基态，实现了比以前方法更强大、更通用的计算能力。
在双原子碳（carbon dimer）这种小而复杂的分子上，该方法实现了4meV的平均绝对误差 (MAE)，而之前的gold standard方法，误差为20meV，相当于五倍更接近实验结果。
开源代码，推动领域发展
为了促进学术界和工业界的进一步研究，DeepMind已经将FermiNet的相关代码开源，这将为计算物理和计算化学领域的研究提供重要参考。
这一系列突破性进展不仅展示了AI在解决基础科学问题上的巨大潜力，也为未来在材料科学、化学合成等领域的应用开辟了新的可能性。