科学家开发出了一种人工智能方法，用于计算量子化学中薛定谔方程的基态。量子化学的目标是仅基于原子在空间中的排列来预测分子的化学和物理性质，而无需进行资源密集和费时的实验室实验。原则上，这可以通过求解薛定谔方程来实现，但实际上这是极其困难的。

到目前为止，还不可能找到可以有效计算的任意分子的精确解。但是该研究团队开发出了一种深度学习方法，可以实现前所未有的准确性和计算效率的结合。人工智能已经改变了许多技术和科学领域，从计算机视觉到材料科学。该研究结果论文，题为：“电子薛定谔方程的深层神经网络解决方案”，发表在《自然-化学》杂志上。

领导该研究团队工作的柏林弗赖大学的弗兰克·诺埃（Frank Noé）教授说 “我们相信我们的方法可能会极大地影响量子化学的未来，”。

波函数是量子化学和薛定谔方程的核心，它是一个数学对象，可以完全确定分子中电子的行为。波函数是一个高维体，因此要捕获编码单个电子如何相互影响的所有细微差别非常困难。

实际上，许多量子化学方法完全放弃了表示波函数的功能，而是仅仅尝试确定给定分子的能量。但是，这需要进行近似，从而限制了此类方法的预测质量。

其它方法通过使用大量简单的数学构造块来表示波动函数，但是这种方法是如此复杂，以至于仅用少数几个原子就不可能付诸实践。

研究人员解释说， “避免了在精度和计算成本之间通常的权衡取舍，这是量子化学领域的最高成就，” “到目前为止，最流行的此类离群值是极具成本效益的密度泛函理论。我们认为，我们提出的深层“量子蒙特·卡罗”（Quantum Monte Carlo）方法可能同样成功，它可以在仍然可以接受的计算成本之内。”

该研究团队设计的深度神经网络是一种表示电子波函数的新方法。诺埃解释说：“我们不是使用由相对简单的数学成分组成波函数的标准方法，而是设计了一种人工神经网络，能够学习电子如何围绕原子核定位的复杂模式。” “电子波函数的一个独特特征是它们的反对称性。当交换两个电子时，波函数必须改变其正负号。我们必须将这一特性构建到神经网络体系结构中才能工作，” 此功能被称为“泡利不相容原理”，这就是为什么研究人员将其方法称为“泡利网络”（Pauli Net）的原因。

除了泡利不相容原理之外，电子波函数还具有其他基本物理属性，而泡利网络的许多创新成功之处在于，它们将这些属性集成到了深度神经网络中，而不是让深度学习仅通过观察数据来找出它们。诺埃说：“将物理学纳入人工智能至关重要，因为它能够在该领域做出有意义的预测。” “这确实是科学家可以为人工智能做出实质性贡献的地方，而这正是我们关注的重点。”