新研究利用神经网络(一种受大脑启发的人工智能)解决了分子状态建模这一严峻挑战。
这项研究表明该技术如何帮助解决复杂分子系统中的基本方程。这可能会在未来带来实际用途，帮助研究人员在实验室中尝试制造新材料和化学合成之前，先使用计算机模拟来制作原型。
该研究由伦敦帝国理工学院和谷歌 DeepMind 科学家领导，发表在《科学》杂志上。
激发分子
该团队研究了分子如何转变到激发态和从激发态转变而来的问题。当分子和材料受到大量能量的刺激，例如暴露在光或高温下时，它们的电子会被踢入一种暂时的新结构，称为激发态。
分子在状态间转换时吸收和释放的确切能量量为不同的分子和材料创建了独特的指纹。这影响了从太阳能电池板和 LED 到半导体和光催化剂等技术的性能。它还在涉及光的生物过程(包括光合作用和视觉)中发挥关键作用。
然而，这种指纹极难建模，因为激发电子本质上是量子的，这意味着它们在分子中的位置永远不确定，只能用概率来表示。
首席研究员、谷歌 DeepMind 和帝国理工学院物理系的 David Pfau 博士表示：“表示量子系统的状态极具挑战性。必须为电子位置的每种可能配置分配一个概率。
“所有可能配置的空间是巨大的——如果你试图将它表示为一个每个维度有 100 个点的网格，那么硅原子可能的电子配置数量将大于宇宙中的原子数量。这正是我们认为深度神经网络可以提供帮助的地方。”