Adv. Mater. | 量子化学与机器学习在能量与性质预测上的演变

发布网友发布时间：2024-09-29 05:03

共1个回答

热心网友时间：2024-10-31 10:25

计算化学在理解和预测分子性质中扮演核心角色，但传统方法面临薛定谔方程求解的困难与计算成本增长的挑战。多伦多大学Alán Aspuru-Guzik团队的研究引入人工智能和机器学习，以增强化学空间的探索效率。机器学习在预测能量和性质方面经历了从基于数值数据的模型，到逐步融入量子力学物理规律的演进。综述强调了这些技术在补充或取代传统方法中的应用，目标是开发出能准确预测薛定谔方程解的AI架构，革新化学和材料科学的计算实验。

计算实验在化学科学中的作用日益重要，它能解决实验室难以触及的问题，预测复杂现象。量子化学借助薛定谔方程的解，计算出化学性质，如解离能和反应速率。然而，面对大规模系统时，准确性和可扩展性成为瓶颈，这促使AI在计算化学中的应用日益广泛，尤其是在处理大量数据和复杂问题上。

量子力学和机器学习的结合，如Hartree-Fock、DFT和深度学习，正在推动理论化学方法的革新。文章讨论了从基础物理法则到数据驱动的计算实验的转变，以及如何通过机器学习弥补传统方法的局限，如通过深度学习预测分子性质和开发更精确的势能模型。

尽管ML在化学预测中展现强大能力，但如何将物理知识融入ML模型以提高普适性和可转移性仍是关键。作者探讨了各种策略，如利用描述符增强模型解释性，以及通过Δ-ML方法提高预测准确性。未来研究将聚焦于发展更接近量子力学本质的ML模型，以支持材料设计和化学实验的革新。