人工智能机器学习可以比传统方法更精确地计算制造或破坏分子所需的能量，虽然人工智能机器学习目前只能处理简单分子，但它为未来对量子化学的洞察铺平了道路。纽约市熨斗研究所计算量子物理中心的研究科学家朱塞佩·卡莱奥(Giuseppe Carleo)说：几年来，使用机器学习来解决量子化学的基本方程式，一直是一个悬而未决的问题，现在围绕着它有很多令人兴奋的事情。
更好地理解分子的形成和破坏，可以揭示对生命至关重要的化学反应内部运作。Carleo和苏黎世大学Kenny Choo和纽约约克敦高地IBM Thomas J.Watson研究中心的Antonio Mezzacapo共同在《自然通讯》期刊上发表了他们的新研究成果。该研究团队用人工智能机器学习估计了组装或拆分分子(如水或氨)所需的能量。这种计算需要确定分子的电子结构，它由将分子结合在一起的电子集体行为组成。
分子的电子结构是一件很难计算的事情，需要确定分子的电子可能处于的所有势态，加上每个能态的概率。由于电子相互作用并以量子力学纠缠在一起，科学家不能单独研究它们。随着更多电子，更多的纠缠突然出现，这个问题变得越来越困难。对于比在一对氢原子中发现两个电子更复杂的分子，不存在精确的解。即使是近似值，当它们涉及几个以上的电子时，也难以达到精确度。其中一个挑战是，分子的电子结构，包括无限多个离原子越来越远的轨道能态。
另外，一个电子和另一个电子是不可区分的，两个电子不能占据相同的能态。后一规则是交换对称性的结果，交换对称性决定了当完全相同的粒子转换能态时会发生什么。Mezzacapo和IBM Quantum的同事们开发了一种方法，用于限制所考虑轨道数量并施加交换对称性。这种方法基于为量子计算应用开发的方法，使问题更类似于电子被限制在预设位置的场景，例如在刚性晶格中，与刚性晶格的相似性，是使问题更易于管理的关键。
Carleo之前训练人工智能神经网络来重建局限于晶格位置的电子行为，通过扩展这些方法，研究人员可以估计Mezzacapo问题的解决方案。研究团队训练的神经网络计算每种能态的概率，使用这个概率，研究人员可以估计给定能态的能量。，能级，称为平衡能，是分子最稳定的地方。研究人员的创新使计算基本分子的电子结构变得更简单、更快。研究人员通过估计将现实世界中的分子“分开”需要多少能量，打破分子键，证明了其方法的准确性。
研究对氢气(H2)、氢化锂(LiH)、氨(NH3)、水(H2O)、双原子碳(C2)和氮气(N2)进行了计算。对于所有的分子，该研究小组的估计被证明是高度准确的，即使在现有方法难以实现的范围内也是如此。在未来，研究目标是通过使用更复杂的神经网络来处理更大、更复杂的分子。其中一个目标是处理那些在氮循环中发现的化学物质，在这个过程中，生物过程建立和破坏基于氮的分子，使它们能够用于生命。
研究人员表示：希望这能成为化学家用来处理这些问题的一种工具。Carleo、Choo和Mezzacapo并不是唯一利用机器学习来解决量子化学问题的人，此前研究人员于2019年9月首次在《arxiv》上展示了他们研究。同月，德国一个小组和伦敦谷歌DeepMind的另一个小组，分别发布了利用机器学习重建分子电子结构的研究。另外两个小组彼此使用类似的方法，不限制所考虑的轨道数量。
然而，这种包容性在计算上更加繁琐，这一缺点只会在更复杂的分子中恶化。在相同计算资源下，Carleo，Choo和Mezzacapo的方法有更高的精度，但为了获得这种精度而进行的简化可能会引入偏差。总体而言，这是在偏见和准确性之间的权衡，目前还不清楚这两种方法中哪一种在未来更具潜力，只有时间会告诉我们，这些方法中的哪些，可以扩大到化学中具有挑战性的开放问题。
