江苏龙网

  1. 首页 > 资讯 > 科技 > >

新智元|马斯克常挂嘴边的「第一性原理」，还是DeepMind对付薛定谔猫的重要工具( 二 )


DeepMind成员认为 ， 既然这些网络已经证明了它们在人工智能问题中拟合高维函数的能力 ， 也许它们也可以用来表示量子波函数 。
在处理电子时只有一个问题就是：电子必须服从「泡利不相容原理」 ， 这意味着它们不可能同时处于同一空间 。
这是因为电子是一种被称为「费米子」的粒子 ， 包括大多数物质的组成部分如质子、中子、夸克、中微子等都是费米子粒子 。
它们的波函数一定是反对称的 ， 如果你交换两个电子的位置 ， 波函数就会乘以 -1 。 这意味着 ， 如果两个电子相互叠加 ， 波函数(以及这种构型的概率)将为零 。
新智元|马斯克常挂嘴边的「第一性原理」，还是DeepMind对付薛定谔猫的重要工具
本文插图
这意味着必须开发一种新型的神经网络 ， 它的输入是反对称的 ， 也就是「费米子神经网络」 ， 或者 「FermiNet」 。
在大多数量子化学方法中 ， 反对称性是用一个行列式的函数引入的 。 矩阵的行列式具有这样的性质 ， 如果你交换两行 ， 输出就会乘以 -1 ， 就像费米子的波函数一样 。
所以你可以取一堆单电子函数 ， 对系统中的每个电子进行求值 ， 然后把所有的结果存到一个矩阵中 ， 这个矩阵的行列式就是一个恰当的反对称波函数 。
在表示复杂函数时 ， 深层神经网络往往比基函数的线性组合有效得多 。
在 FermiNet 中 ， 这是通过使进入行列式的每个函数成为所有电子的函数来实现的 。 这远远超出了只使用单电子和双电子函数的方法 。
FermiNet 对每个电子都有一个独立的信息流 。 如果这些数据流之间没有任何交互 ， 这个网络就不会比传统的斯莱特行列式网络更具表现力 。
与斯莱特行列式不同 ， FermiNets 是通用函数逼近器 ， 这就意味着 ， 如果我们能够正确地训练这些网络 ， 它们应该能够适应薛定谔方程的近乎精确的解 。
新智元|马斯克常挂嘴边的「第一性原理」，还是DeepMind对付薛定谔猫的重要工具
本文插图
我们通过最小化系统能量来拟合FermiNet 。 为了精确地做到这一点 ， 需要在所有可能的电子构型下计算波函数 ， 所以需要近似计算 。
随机选择电子构型 ， 计算每个电子构型的局部能量 ， 把每个构型的贡献加起来 ， 最小化这个能量 ， 而不是真正的能量 ， 这被称为「蒙特卡罗方法」 ， 因为它有点像一个赌徒一遍又一遍地掷骰子 。 虽然它是近似的 ， 如果我们需要使它更准确 ， 我们总是可以再掷骰子 。
新智元|马斯克常挂嘴边的「第一性原理」，还是DeepMind对付薛定谔猫的重要工具
本文插图

为了确保 FermiNet 确实代表了最先进技术 ， 研究人员从研究简单透彻的系统开始 ， 比如第一排元素周期表中的原子 。 这些都是很小的系统 ， 如10个或更少的电子 ， 而且结构非常简单 ， 可以用最精确(但是指数缩放)的方法来处理 。
FermiNet 的性能优于可比的 VMC 计算 ， 而且提升很大 ， 通常将相对于指数缩放计算的误差减少一半或更多 。
把 FermiNet 应用到更大的分子上 ， 从氢化锂开始 ， 一直到双环丁烷 ， 观察到的最大的系统 ， 有30个电子 。 对于最小的分子 ， FermiNet 捕获了令人震惊的 99.8% 的耦合团簇能量和从单个斯莱特行列式所获得的能量之间的差异 。 对于丁烷 ， FermiNet 也捕获了这种相关能量的97% 或者更多 ， 这和传统方法相比是一个巨大的提升 。
新智元|马斯克常挂嘴边的「第一性原理」，还是DeepMind对付薛定谔猫的重要工具
本文插图
DeepMind 认为 FermiNet 是将深度学习和计算量子化学融合的开端 。 到目前为止 ， 大多数系统都已经得到了很好的研究和理解 。 但是 ， 正如深度学习在其他领域取得的第一个成果带来了大量的后续工作和快速进展一样 ， 希望 FermiNet 也可以激发大量的工作 ， 扩大规模 ， 并为新的甚至更好的网络架构提出许多想法 。


推荐阅读


上一篇：上峰说|华为Mate40系列：创新不灭，希望不灭

下一篇：|又一商机？酒店办公兴起！提供餐食，价格仅为住一晚四分之一