神经网络提供精确模拟没有成本

一个电脑已经学习有机化学可以用分子尽可能准确地描述力密度泛函理论(DFT),但成千上万倍。这种组合可以让研究人员解决问题的速度和准确度,以前是不可能的。

化学家们希望利用计算机模拟面临一个困境。研究人员通常需要知道一个分子的能量,和力量控制如何扭转和弯曲。准确的DFT方法类似,使用量子力学,大多数计算机能力和时间。近似等半经验方法给快但是不可靠的结果。虽然有一系列的选择,大多数技术要求研究人员权衡速度和准确性。

研究生贾斯汀•史密斯佛罗里达大学的,我们选择了一条不同的道路的“分子能量准确的神经网络引擎”。Anakin-me,简称Ani,不是编程了解化学或者物理。相反,它是一组化学结构和显示结果的DFT计算,和设计连接从一个到另一个。“不学习化学,我们通常认为,它学习一些底层的模式数据允许你这么做,”笔记Adrian Roitberg史密斯的主管。

有利的一面是Ani更快。“实际上,编码量子力学软件需要更短的时间比需要运行计算,”解释道加勒特高研究员在太平洋西北国家实验室机器学习,我们没有参与这个项目。“相比之下,瓶颈在神经网络训练模型。一旦完成,计算速度快,”高说。这个速度增加可能允许化学家筛选大量的化合物,或学习更大的分子。吴指出,与其他神经网络不同,Ani的化学知识延伸到更大的分子比的训练。

Ani仍在培训,所以它只知道碳、氢、氧和氮。它的发明者是现在教学对其他元素,有机化学和Ani的经验使得这一过程变得更加容易。这个网络学习新事物比第一次便宜,“Roitberg说。在未来,Anakin-me甚至火车本身,识别的各种分子不擅长和在线数据库中找到例子。

团队为神经网络方法对未来感到乐观,与应用程序,从药物发现到发明新的材料。他们绝对会扰乱我们练习计算化学的方式,”预测Olexandr Isayev北卡罗莱纳大学的我们,一同与Roitberg项目。我认为这将是一个令人激动的时刻。”