量子化学是在量子尺度上研究化学性质和过程的学科，它为现代化学的研究和发现开辟了许多途径。没有处理烧杯和试管,化学家可以预测给定原子或分子的属性,以及它将如何进行化学反应通过研究其电子的构造方式的电子排列这些电子在轨道和如何与其他化合物或原子。
然而,量子化学显示本身一样强大,它也有一个大缺点:准确计算资源密集型和费时,常规化学研究涉及计算,以天或更长时间。
现在，多亏了一种新的使用机器学习的量子化学工具，量子化学计算的执行速度可以比以前快1000倍，使得精确的量子化学研究比以往任何时候都更快。
这个名为OrbNet的工具是由加州理工学院化学教授汤姆·米勒(Tom Miller)和布伦计算机与数学科学教授阿尼玛·阿南德·库马尔(Anima Anandkumar)合作开发的。
" Miller说，在量子化学中，在计算的准确性和所需的时间之间存在着令人痛苦的相互作用。"你会开始计算，然后说，好，星期二见。但是现在，计算可以相互作用
OrbNet处理量子化学模拟的速度比以前快得多，允许在程序中对分子进行实时操作。来源:Entos公司。影像灯箱
OrbNet处理量子化学模拟的速度比以前快得多，允许在程序中对分子进行实时操作。来源:Entos公司。下载完整的图像OrbNet使用图形神经网络(graph neural network)，这是一种机器学习系统，将信息表示为"节点、"包含数据、"edges和"表示这些数据块之间相互关联的方式。
米勒说，OrbNet之所以能做到这一点，是因为它在将原子和分子映射到基于薛定谔方程的图形神经网络的方式上进行了创新。薛定谔方程是量子力学的核心数学。
他说，以前的图形结构把原子组织成节点，把原子间的键组织成边缘，但那不是量子化学所考虑的方式。"所以，相反，我们建立了一个图，其中节点是电子轨道，边缘是轨道之间的相互作用。这和薛定谔方程有更自然的联系，"
与所有机器学习系统一样，OrbNet需要接受培训以执行指定的任务，这类似于获得新工作的人需要接受培训。OrbNet学会了在精确参考量子力学计算的基础上预测分子性质。专注于机器学习的阿南德库马尔(Anandkumar)帮助设计和优化了图形神经网络的实现。
"Orbnet是使用特定领域特性的深度学习模型的一个很好的例子:在本例中是分子轨道。"阿南德库马尔说，这使得机器学习模型能够精确地计算比训练数据中的分子大得多的分子，大到10倍。"对于一个标准的深度学习模型来说，这样的外推是不可能的，因为它只能学习插值训练数据。利用分子轨道的领域知识对我们实现对大分子的转移至关重要。
目前，OrbNet已经接受了大约10万个分子的训练，米勒说，这使它能够为研究人员执行许多有用的计算，但正在进行的努力旨在将其扩大到更大的训练数据集。
预测分子性质有许多实际的好处。例如，OrbNet可以用来预测分子的结构、它们的反应方式、它们是否可溶于水，或者它们如何与蛋白质结合，"他说。
米勒说，未来有关OrbNet的工作将集中于通过额外的培训扩大它可用于的任务范围。
他说:“我们已经证明它适用于有机化学的一个小角落，但是没有什么能阻止我们把它扩展到其他应用领域。”
这篇描述OrbNet的论文，题为"OrbNet:使用适应对称原子轨道特征的量子化学深度学习，"发表在9月25日的《化学物理杂志》上，被选为编辑精选。其他合著者是加州理工学院化学研究生乔卓然，以及Entos公司的Matthew Welborn和Frederick R. Manby。
这项研究得到了Entos Inc.的部分支持，该公司从加州理工学院分拆出来，米勒持有该公司的股份。它还得到了加州理工学院Logi基金的支持。
上图:由OrbNet绘制的分子图像，显示了原子、原子之间的键和电子的排列。来源:Entos公司。
新闻旨在传播有益信息，英文原版地址：https://www.caltech.edu/about/news/machine-learning-speeds-quantum-chemistry-calculations