DeepMind · 其他
DeepMind 用 AI 模拟量子尺度物质
DeepMind 将 AI 用于量子尺度物质模拟，提出一种新方法。该方法利用机器学习模型加速原子与分子体系的计算，在保持精度的同时降低传统量子模拟的计算成本。这项研究为材料科学和化学领域提供了更高效的模拟工具，有望推动新物质发现与量子系统相关的基础研究。
- 域名
deepmind.google- 评分
- 5 · 重大发布
- 发布
- 2026-03-03
导读
这是 DeepMind 在 2021 年 12 月发表于 Science 的 DM21 工作，由 James Kirkpatrick、Aron Cohen 与 Alex Gaunt 撰文介绍，用神经网络改进密度泛函理论 DFT 中的核心未知项，把化学计算的精度推到新水平。代码已在 deepmind-research 仓库开源。
DFT 的奠基者 Hohenberg 与 Kohn 在 1960 年代证明，只要知道电子密度就足以计算所有相互作用，Kohn 因此获得 1998 年诺贝尔化学奖。但电子密度到相互作用能量的映射函数本身一直没有解析形式，过去半个世纪只能用各种近似泛函逼近，且都带有系统性误差。DM21 把这一未知泛函表达成神经网络，并在训练集中显式编码精确泛函应满足的数学性质，从而修正两个长期顽疾：delocalization error 把电荷错误地涂抹到相邻分子之间，spin symmetry breaking 在化学键断裂时引入不真实的自旋对称性破缺。文中给出 B3LYP 与 DM21 对同一体系预测的对比图，传统泛函让电荷平均分布在两个分子上，DM21 正确地把电荷定位在单个分子上。模型在大规模化学基准上展现领先精度，且能正确描述涉及电荷转移与键断裂的体系。
对材料、化学与能源研究者而言，DFT 是日常工具，几乎所有微观尺度的电子结构计算都依赖它。DM21 的工作意味着可以用数据驱动方式把"精确泛函应有的性质"灌进神经网络，跳过过去几十年依靠经验拟合的近似路线。从应用角度看，电荷迁移与键断裂正是电池电解液、催化剂、太阳能电池与高温超导材料设计中无法绕开的物理过程，泛函精度的提升直接关系到这些计算结论是否可信。开源代码也让外部学者得以在自己的体系上复现并叠加这一方法。