Forskere tvivler på, at DeepMinds AI er så god til systemer med fraktioneret opladning, som det ser ud til

I deres papir offentliggjort i Science i december 2021 viste et DeepMind-hold, hvordan neurale netværk kan bruges til at beskrive elektroninteraktioner i kemiske systemer mere præcist end eksisterende metoder. Et team af forskere fra Skoltech, Zelinsky Institute of Organic Chemistry, HSE University, Yandex og Kyungpook National University viser i deres kommentar i Science at DeepMind AI's evne til at generalisere sådanne systemers adfærd ikke følger af de offentliggjorte resultater og kræver gensyn.

At vide, hvor elektronerne er inden for et molekyle, kan i høj grad forklare dets struktur, dets egenskaber og dets reaktivitet. Kemikere bruger density functional theory (DFT) metoder, tilnærmelser til Schrödingers ligning, til at lave nøjagtige og beregningseffektive modeller af molekyler og materialer. Men der er velkendte omstændigheder, hvor DFT-værktøjer fejler. Den ene er at forudsige, hvordan atomer deler elektroner; i et berømt eksempel forudsiger DFT-metoder forkert, at selv når et chlor- og et natriumatom er uendeligt langt fra hinanden, bevarer chloratomet en brøkdel af et af natriumatomets elektroner.

Sådanne fejl opstår, fordi DFT-ligninger kun er tilnærmelser til den fysiske virkelighed. Forskere fra DeepMind maskinlæringsprojekt siger, at deres neurale netværk eliminerer den del af en elektron fejl og laver mere præcise forudsigelser end traditionelle DFT-metoder

"I sin kerne er DFT en metode til at løse Schrödinger-ligningen. Dens nøjagtighed bestemmes af dens udvekslingskorrelationsdel, som desværre er ukendt. Til dato er over 400 forskellige tilnærmelser for denne del blevet foreslået," siger Petr Zhyliaev , seniorforsker ved Skoltech.

"En måde at bygge en god udvekslingskorrelationsdel på er at overføre information om den fra mere 'avancerede' numeriske metoder end tæthedsfunktionsteorien, som dog er størrelsesordener mindre beregningsmæssigt effektive. I deres arbejde brugte DeepMind en neural netværk som en universel interpolator for at lære udveksling-korrelationsdelen af ​​det funktionelle. Deres forsøg var langtfra det første, men er et af de mest ambitiøse."

DeepMind konstruerede en neural netværksbaseret tæthedsfunktion betegnet som DM21, trænet på fraktionelle elektronsystemer, såsom et brintatom med en halv elektron. For at bevise dets overlegenhed har forfatterne testet DM21 på et sæt strakte dimerer (kaldet BBB-sæt), fx to brintatomer på stor afstand med i alt en elektron.

Forventet viser DM21-funktionen en fremragende ydeevne på BBB-testsættet, og overgår langt alle de testede klassiske DFT-funktioner og DM21m, trænet identisk med DM21, men uden fraktionelle elektronsystemer i træningssættet.

Selvom dette kan se ud som om, at DM21 har forstået fysikken bag fraktionel-elektronsystemerne, viser et nærmere kig, at alle dimererne i BBB-sættet bliver meget lig systemerne i togsættet. Faktisk, i kraft af lokaliteten for elektrosvage interaktioner, er atomare interaktioner kun stærke på korte afstande, uden for hvilke de to atomer i det væsentlige opfører sig, som om de ikke interagerer (se figuren ovenfor).

"På nogle måder er neurale netværk ligesom mennesker:de foretrækker at få det rigtige svar af den forkerte grund, så omvendt. Derfor er det ikke så svært at træne et neuralt netværk, som det er at bevise, at det har lært de fysiske love i stedet for at huske de rigtige svar. At teste et neuralt netværk på systemer, det har set under træning, svarer til at undersøge en skoledreng med en opgave, han har set læreren løse for bare fem minutter siden," forklarer Michael Medvedev, lederen af Gruppe for teoretisk kemi ved Zelinsky Institute of Organic Chemistry ved det russiske videnskabsakademi.

BBB-testsættet er således ikke et ordentligt:​​det tester ikke DM21's forståelse af fraktionelle -elektronsystemer:DM21 kan nemt slippe af sted med at huske. En grundig analyse af de andre fire beviser for DM21-håndtering af sådanne systemer førte heller ikke til en afgørende konklusion:kun dens gode nøjagtighed på SIE4x4-sættet kan være ‌pålidelig, selvom en klar tendens til fejlvækst med afstanden selv der tyder på, at DM21 er ikke fuldstændig fri for problemer med fraktionelle elektronsystemer.

Brugen af ​​fraktionelle elektronsystemer i træningssættet er ikke den eneste nyhed i DeepMinds arbejde. Deres idé om at introducere de fysiske begrænsninger i et neuralt netværk via træningssættet, såvel som tilgangen til at påtvinge fysisk sans gennem træning på det korrekte kemiske potentiale, vil sandsynligvis blive brugt i vid udstrækning i opbygningen af ​​neurale netværk DFT-funktioner i fremtiden. + Udforsk yderligere

Simulering af stof på nanoskala med AI