(相关资料图)
卢森堡大学、柏林技术大学和马克斯普朗克研究所弗里茨哈伯研究所的研究人员将机器学习和量子力学结合起来，预测分子和原子相互作用的动力学。新方法可以达到前所未有的准确性和效率。
分子动力学模拟在自然科学和材料科学中用于预测不同材料的特性和行为。过去，这些模拟通常基于无法整合量子力学重要见解的力学模型。《自然通讯》发表的工作，极大地提高了现代原子建模在化学、生物、材料科学等领域的预测能力。
物质分子动力学的精确知识，换句话说，分子中单个原子的可能状态和相互作用的精确知识，使我们不仅能够理解许多化学和物理反应，而且能够利用它们。柏林工业大学机器学习教授克劳斯罗伯特穆勒说：“机器学习技术极大地改变了许多学科的工作，但直到现在，它们很少用于分子动力学模拟。问题：在开发大多数标准算法时，应该理解要处理的数据量是不相关的。“然而，这并不适用于分子的精确量子力学计算，在这种计算中，每个数据点都至关重要，大分子的单独计算可能需要几周甚至几个月的时间。这需要大量的计算资源，这意味着迄今为止还没有进行分子动力学模拟。”卢森堡大学理论化学物理学教授亚历山大特卡切肯科解释说。
正是通过将物理定律融入机器学习技术，研究人员现在解决了这个问题。“诀窍不在于使用机器学习技术来计算分子动力学所有可能的状态，而只在于那些不是通过应用已知的物理定律或对称运算产生的状态。”亚历山大特卡坚克教授解释道。
一方面，新开发的算法使用分子内自然的数学对称性。他们认可的是对称轴，不会改变分子的物理性质。这样一来，这些数据点只需要计算一次，而不是计算几次，大大降低了计算的复杂度。此外，学习技术使用能量守恒的物理定律。
通过这种创新的方法，允许机器学习技术在学习计算分子动力学之前“结合”物理定律，研究团队成功调和了高精度和数据效率这两个矛盾的方面。“这些特殊的算法使该过程能够专注于模拟的复杂问题，而不是使用计算机性能来重建数据点之间的琐碎关系。因此，这项研究证明了人工智能与化学或其他自然科学相结合的巨大潜力。”克劳斯-罗伯特穆勒解释了这个项目的重要性。
