Beyond Jacob’s Ladder: A Physics-driven AI Approach to Density Functional Theory

为了理解微观分子世界，科学家们依赖于一种被称为密度泛函理论（Density Functional Theory）的强大数学框架。这种方法让研究人员能够通过观察原子核周围不可见的电子云，来预测原子将如何结合、化学反应将释放多少能量，以及分子的稳定性如何。几十年来，这些预测的准确性取决于用于描述这些电子云的数学公式有多么复杂。科学家们传统上是在攀爬一个隐喻性的阶梯，通过增加公式中细节的层数来提高复杂度，以获得更好的结果。然而，这种攀爬伴随着沉重的代价：随着公式变得越来越繁琐，计算变得如此缓慢且耗费资源，以至于在应用于大型、真实的系统时往往会失效。该领域已经达到了一个临界点，即用于观察细节的工具过于沉重，以至于无法携带，导致许多化学问题悬而未决。

来自莫纳什大学的一个研究小组提出了另一条前进之路，这条路径绕过了对日益复杂的公式的需求。他们并没有试图编写一个完美的方程来描述电子云，而是教会了一个计算机程序直接从电子云的形状中学习物理学。通过将电子密度的原始数据（即特定位置有多少电子的简单度量）输入神经网络，他们让机器能够自主发现支配分子行为的规则。其结果是一种新的方法，它预测分子能量的精度可以媲美现有的最佳工具，却无需承担沉重的计算负担。这种方法表明，电子云本身包含了理解分子的所有必要信息，只要计算机拥有正确的阅读方式。

研究人员开发了一个名为 dML-DFT 的系统，即密度驱动机器学习密度泛函理论。在传统方法中，科学家必须手动构建描述电子相互作用的规则，且往往是在猜测最佳的数学形式。这个新系统完全跳过了这种猜测。团队从一个非常基础、简单的电子密度计算开始，这种计算很容易完成。然后，他们将这些数据传入一个旨在寻找数据模式的神经网络（一种人工智能）。至关重要的是，他们没有告诉计算机存在哪些原子，也没有告诉它原子是如何连接的。机器没有得到元素的名称或它们在空间中的位置；它看到的只是代表各处电子密度的数字。

目标是让计算机学习电子云形状与分子总能量之间的关系。为了进行教学，研究人员使用了一种特定的训练策略。他们要求机器预测两个关键属性：将分子分解为单个原子的所需能量，以及两个独立分子结合时的能量。计算机做出预测，研究人员将其与已知的高精度参考值进行对比。如果预测有误，计算机就会调整其内部连接以减少误差。这个过程重复了数千次，直到机器能够以卓越的一致性预测这些能量。

训练结果令人瞩目。在对各种分子进行测试时，新模型在许多系统中实现了小于一千卡每摩尔的精度。在化学领域，这被认为是“化学精度”，即预测结果足够可靠，可以用于现实世界的应用。该模型在用于测试其他方法的标准分子集上表现出色，其性能往往优于目前最先进的公式。例如，在预测不同分子之间的吸引强度时，新方法比表现出困难的传统最佳方法更为准确。

最重要的发现之一是，该模型在从未被告知什么是原子的情况下，就学习到了系统的物理特性。它不知道自己观察的是碳、氧还是铁。它仅仅学习到某些电子密度的模式对应着特定的能量值。这意味着该系统具有普适性；只要在训练期间见过足够多的不同元素示例，它就可以将这些经验应用于新的、未见过的分子。研究人员通过在复杂的化学反应中测试该模型证明了这一点，包括涉及不稳定分子（自由基）以及电子以异常相关方式运动的系统。即使在这些困难的情况下，该模型也保持了高精度，特别是当加入少量此类复杂反应作为训练数据以帮助其精炼理解时。

研究还强调了该方法目前面临的挑战。当模型遇到在训练数据中极少出现的元素（例如特定环境下的某些金属）时，其准确度会下降。这并非概念上的缺陷，而是从示例中学习的自然局限：如果计算机没有见过足够多特定类型的场景，它就无法完美预测。然而，研究人员表明，只需将更多此类罕见案例加入训练集，就能迅速改善结果。这表明该方法是稳健的，并且可以随着可用数据的增加而不断改进。

这项工作代表了科学家处理计算分子能量问题方式的一种转变。研究人员不再试图将自然强行塞进预先写好的数学框架中，而是让数据本身说话。通过将电子的交换与关联视为一个需要学习的统一现象，而非一组需要推导的独立规则，他们创造了一个既高度精确又计算高效的工具。这一方法的成功证明了电子密度包含了描述分子行为所需的所有信息，并且人工智能比传统公式能更有效地提取这些信息。这为研究复杂的化学反应和发现新材料开辟了大门，使科学家能够以前所未有的速度和精度进行探索，为他们提供了一个观察并理解化学世界的全新且强大的视角。