🔬 physics

Position: The Inevitable Transition to Machine Learning in Quantum Chemistry

本立场论文认为，机器学习代表了量子化学最具前景的战略路径，因为在密度泛函理论等传统方法达到其发展饱和点之后，它为难以处理的多体问题提供了一种可行的决策论解决方案。

原作者： Karen Sargsyan, Chao-Ping Hsu

发布于 2026-07-22

📖 1 分钟阅读☕ 轻松阅读

原作者： Karen Sargsyan, Chao-Ping Hsu

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

微观世界的伟大谜题

想象一下，试图预测人群在体育场中的移动路径。如果只有几个人，你可以轻松猜出他们的路径。但如果你面对的是数百万人，他们同时推搡、拉扯并相互反应，其中的数学计算将变得极其复杂，以至于即使是世界上最快的超级计算机，也需要比宇宙年龄还要长的时间才能完美求解。这就是科学家研究量子世界——即原子和电子领域——时的日常现实。

在这个微观宇宙中，粒子并不只是静止不动；它们以一种由著名的薛定谔方程所描述的、混乱且相互关联的方式“起舞”。科学家们数十年来一直试图求解这个方程，以了解原子如何结合成分子、药物如何与我们的身体相互作用，以及新材料是如何诞生的。为了实现这一目标，他们构建了“近似法”——即在大多数情况下行之有效的简化版经验法则。但最近，这些旧有的规则开始遭遇瓶颈。它们变得越来越难以改进，并且在处理最困难、最有趣的问题时表现乏力。就在这时，一个新的角色登场了：机器学习。请不要把它看作一根魔杖，而要把它看作一个通过观察数百万个案例来学习，而非试图为一切编写单一完美规则手册的“超级聪明学生”。

论文的核心思想：为什么我们需要一位新老师

由 Karen Sargsyan 和 Chao-Ping Hsu 撰写的这篇论文指出，量子化学的未来不在于手工构建更好的规则手册，而在于将这项工作交给机器学习（ML）。作者们并不是说旧方法毫无用处；它们在处理日常任务时依然出色。但他们认为，“手工打造”新解决方案的旧方式已经失去了动力。

为了理解原因，请想象一群顶级厨师正试图发明一种完美的食谱，这种汤的味道要能精准还原一段特定的记忆。五十年来，他们一直在通过调整盐分、热度和香料，根据直觉逐一添加食材。他们创造了数百种食谱（在论文中称为“泛函”），但他们似乎无法就一个完美的版本达成一致，而且其中一些最好的食谱在仔细观察其成分时，味道反而变差了。论文指出，这些厨师已经达到了人类直觉所能设计的极限。

作者提出了另一种策略：与其从头开始编写完美的食谱，不如训练一台计算机去品尝数百万种汤，并让它自己学习其中的规律。这就是“机器学习”方法。论文认为，这是最逻辑性的前进路径，并不是因为我们知道用旧数学解决该问题是不可能的，而是因为旧的方法显然已经停滞不前。

“空间-时间”权衡：利用记忆进行“作弊”

论文引入了一个巧妙的概念，称为“空间-时间权衡”（Space-Time Tradeoff）。想象你需要从家出发，穿过一片巨大的、未知的森林前往朋友家。

旧方法（传统方法）： 你尝试使用地图和指南针实时计算出一条完美的路径。你为每一步都进行数学计算。这很慢，而且如果森林太大，你就会陷入困境。
新方法（机器学习）： 你意识到你不需要每次都重新计算路径。相反，你只需花费大量的时间和记忆，一次性记住通往数千个不同目的地的路径。然后，当你需要去某个地方时，你只需查阅你预先记下的笔记。你使用了更多的“空间”（记忆）来节省“时间”（计算）。

论文解释说，化学领域充满了模式。尽管存在数万亿种可能的分子，但它们都遵循某些规则，例如原子喜欢以特定的形状粘在一起。机器学习擅长识别这些模式，并将它们存储为“专门知识”。这就像拥有一个涵盖几乎所有化学情况的答案库，这样你就无需每次都从头进行艰苦的数学运算。

为什么手工打造的方法陷入了困境

作者指出，几十年来，科学家们一直在手动设计这些近似法。他们挑选特定的数学形状和成分，希望它们能奏效。论文称之为“手工打造的机器学习”。但问题在于：人类能想象出的形状是有限的。

论文引用了一项著名研究，显示虽然这些手工制作的食谱在预测能量方面变得更好了，但在预测构成原子的电子云（密度）形状方面却变得更差了。这就像一个只背下了考试答案却并不理解学科内容的优等生。作者认为，通过强行让数学符合人类直觉，我们可能会错过大自然所使用的那些真正复杂且真实的模式。

“黑箱”恐惧：我们能否信任那些无法理解的东西？

一个普遍的担忧是，机器学习是一个“黑箱”。如果计算机给了我们一个答案，但我们看不见其背后的逐步逻辑，我们如何知道它是正确的？论文承认，这些模型确实不如传统的公式那样透明。然而，论文认为这可能是一种必要的权衡。量子世界本质上是混乱且复杂的；也许并不存在一种简单、易于解释的规则。

论文建议，我们不应寻找简单的规则，而应该从机器“如何学习”中获取启发。例如，如果机器学到无论分子如何旋转或翻转，都必须以同样的方式对待它，这就证实了一项基本的物理定律。如果它在分子过大时表现失败，这便告诉了我们当前的理解在哪里失效了。机器成为了测试我们想法的工具，而不仅仅是一个计算器。

未来：一场团队协作

论文还回应了一个重大问题：“那量子计算机呢？它们难道不会解决一切吗？”作者表示并不会。即使是量子计算机，在处理现实应用所需的庞大计算量时也会感到吃力。相反，他们看到了某种伙伴关系：量子计算机将充当“超精确的参考标准”，解决最困难、最特定的问题；而机器学习将充当“翻译官”，将这些少数完美的答案转化为能够快速预测数百万种其他情况的能力。

前行之路

论文总结道，我们正处于一个转折点。我们拥有数据（数百万种化学构型）、工具（先进的神经网络）以及需求（旧方法正在撞墙）。作者敦促科学界停止试图从旧有的、手工打造的方法中榨取更多汁液，转而优先发展机器学习。

他们并不是说旧方法已死，而是说它们不再是实现下一个重大突破的最佳路径。未来属于那些能够学习、适应并存储专门知识的模型，这将使我们能够以以往无法想象的速度和精度，模拟从新药研发到新材料开发的一切事物。这是一个从“试图编写完美手册”向“教计算机如何阅读宇宙”的转变。

技术摘要：量子化学向机器学习转型的必然性

1. 问题陈述

量子化学的核心挑战是求解多体电子系统的定态薛定谔方程。由于波函数存在于维度随电子数（ $N$ ）呈指数级增长的希尔伯特空间中，精确解在计算上是不可行的（属于 QMA-hard 类问题）。

传统的各种高精度方法，如全构型相互作用法（FCI），其复杂度呈阶乘级缩放（ $O(N!)$ ）；而复杂的近似方法，如包含单、双激发及摄动三激发项的耦合集群理论（CCSD(T)），其复杂度则为 $O(N^7)$ 。即便硬件性能不断提升，多项式级的增益也无法克服指数级或高阶多项式级的复杂度。此外，确定任意材料的光谱间隙在证明上是不可判定的。

本文认为，传统“手工设计”近似方法的领域已达到了收益递减的临界点。密度泛函理论（DFT）泛函的数量已激增（超过 400 个），但并未向精确泛函收敛，且电子密度表现出退化迹象（即梅德韦德悖论，Medvedev paradox）。同样，波函数理论（WFT）在处理强相关系统和需要多参考描述的系统时面临困境，遭遇了缩放能力与精度的硬壁。

2. 方法论与理论框架

本文并非提出一种特定的新算法，而是提出了一个将研究重心转向机器学习（ML）的决策论论证。其核心方法论基于三大理论支柱：

2.1. 时空权衡（Space-Time Tradeoff, TSTO）

借鉴计算机科学（特别是复杂度类 P/poly）的思想，作者认为，既然寻找适用于所有输入的通用高效算法极大概率是不可能的，那么可行的路径是非均匀计算（non-uniform computation）。这涉及通过存储专门知识，用计算空间（内存）来交换计算时间。

传统方法： 依赖于“均匀计算”（对每个系统都从第一性原理出发重新计算）或有限的人为设计“建议”（如基组、特定的拟设/ansatz）。
机器学习方法： 将训练好的神经网络视为包含预计算“建议”（权重）的电路，这些权重源自训练数据。这使得模型能够存储关于化学空间的专门知识（例如 $10^6$ – $10^7$ 个参数），从而高效地近似解决极其庞大的领域问题（例如 $10^{33}$ – $10^{60}$ 个分子）。

2.2. 将传统方法重新定义为“手工设计的机器学习”

本文指出，量子化学的历史发展本质上是规模较小的人工机器学习：

特征工程： DFT 泛函的构建（如从 LDA 到 meta-GGA 的雅各布天梯）以及波函数拟设（如 CCSD(T)、DMRG）代表了基于人类直觉对物理特征和数学形式的人工选择。
局限性： 这一过程受限于人类直觉的范围以及人类能够构想出的假设空间。泛函数量的激增却未见收敛，表明在这一人工搜索空间中的“易得收益”已经枯竭。

2.3. 决策论依据

作者认为，在面对化学相关问题的真实复杂度存在不确定性的情况下，转向机器学习是理性的选择：

如果化学问题确实是 QMA-hard 的，那么传统的紧凑型算法将会失败，此时 ML 是必要的。
如果问题相对简单但缺乏简单的解析解，ML 提供了一条发现专门近似解的高效路径。
如果存在简单的解析解，基于 ML 的探索可能有助于识别这些解。
不对称性： 如果仅致力于传统方法，一旦问题属于“难”的子集，将会发生灾难性失败；而基于 ML 的方法则能实现平滑的降级。

3. 核心贡献

本文提出了五个相互关联的立场（主张），以支持向机器学习的转型：

合理的路径： 鉴于问题复杂度的不确定性和传统方法趋于饱和的现状，通过机器学习实现的“时空权衡”是最理性的策略。它在多种场景下均能取得成功。
系统性框架： ML 提供了唯一的系统性框架，能够以所需的规模和通用性发现专门的近似解，解决了 DFT（碎片化问题）和 WFT（缩放/强相关问题）中的障碍。
洞察力的工具： ML 不仅通过“黑盒”的可解释性提供物理洞察，更通过**架构验证（architecture validation）**提供洞察。成功的模型设计（如 E(3)-等变网络、局部消息传递）证实了物理原则（对称性、局域性），而失败的设计则揭示了这些假设的局限性。
自动化专业化： ML 使过去的“手工设计”过程自动化，能够在远超人工设计极限的泛函和架构空间内，实现专门化解决方案的系统性发现与存储。
与量子计算的共生： 量子计算机将作为处理困难系统的“参考生成器”，而 ML 则作为核心的“泛化引擎”，将这些数据应用于动力学和材料发现所需的庞大构型空间。

4. 结果与证据

本文综合了现有文献和近期进展，以支持其立场：

经验性停滞： 对 1974–2017 年间 128 个 DFT 泛函的分析显示，尽管能量预测有所提高，但电子密度精度在 2000 年左右达到顶峰后开始退化，这表明其是在过度拟合基准测试（符合古德哈特定律/Goodhart's Law），而非向精确泛函收敛。
AlphaFold 前例： AlphaFold2 在蛋白质折叠（一个 NP-hard 问题）上的成功证明了，学习到的专门化能力可以解决数十年来传统物理分析方法难以攻克的复杂生物学问题，且无需简单的物理原理来解释其成功。
基础模型： 近期的模型如 MACE-MP-0（在 160 万个构型上训练）和 Orbformer（在多样化分子结构上进行预训练）表明，在大规模数据集上的预训练允许迁移学习，从而在无需针对特定系统重新训练的情况下，实现跨化学空间的高精度。
克服梅德韦德悖论： DM21 泛函通过严格的数学约束（例如在分数电子数下的正确行为）进行训练，成功描述了传统无约束泛函失效的分数特性系统。这说明了有原则的 ML 如何通过正则化学习来避免纯粹基准拟合的陷阱。
新能力： ML 势能函数的精度现在可以媲美 DFT，而计算成本降低了 $10^4$ – $10^6$ 倍，从而实现了以往无法实现的计算应用，例如模拟微秒级的蛋白质动力学或筛选数百万种药物候选分子。

5. 意义与主张

本文声称，向机器学习的转型是必然的——这并非逻辑上的必然，而是由传统方法的饱和以及机器学习的独特优势所驱动的战略优先级。

范式转移： 领域正在从“手工设计”近似向“自动化专业化”转变。这种转变是必要的，因为人类直觉已耗尽了泛函和拟设中可触及的假设空间。
研究重点： 作者主张将资金和开发重点转向 ML 基础设施（数据集、等变架构、不确定性量化）以及软件集成。他们强调，缺乏软件集成的基准测试成功（如 DM21 采用率受限的情况）会阻碍现实世界的进展。
适度主张： 本文明确指出，其目的并非要求取代实践中的传统方法，而是要求传统方法作为参考数据的生成器。文章承认 ML 模型目前仍面临挑战（如长程相互作用、分布外泛化、软件集成工程难题），但强调这些是具有清晰路径的研究前沿，不同于传统方法面临的根本性障碍。

总之，本文断言，面对量子多体问题的不可解性，机器学习代表了最有前景的路径，它提供了一条通过数据驱动实现专门化近似的、可扩展的路径，而传统的、基于直觉的发展模式已无法提供此类方案。