卢森堡大学，柏林工业大学和马克斯·普朗克学会的弗里茨·哈伯研究所的研究人员将机器学习和量子力学相结合，以预测分子中的动力学和原子相互作用。新方法可以实现前所未有的精度和效率。
分子动力学模拟用于自然科学和材料科学中，以预测不同材料的特性和行为。过去，这些模拟通常基于无法集成来自量子力学的重要见解的力学模型。现在发表在《自然通讯》上的这项工作大大提高了化学，生物学和材料科学领域现代原子建模的预测能力。
关于物质的分子动力学的确切知识，换句话说，对分子中单个原子的可能状态和相互作用的精确知识，使我们不仅能够理解许多化学和物理反应，而且能够利用它们。“机器学习技术极大地改变了许多学科的工作，但是直到现在，在分子动力学模拟中仍很少使用它们，”柏林工业大学机器学习教授克劳斯-罗伯特·穆勒说。问题：开发大多数标准算法时都应理解要处理的数据量无关紧要。“但是，这不适用于分子的精确量子力学计算，其中每个数据点都是至关重要的，对大分子的单独计算可能需要数周甚至数月的时间。为此需要大量的计算资源，这意味着迄今为止尚无法进行分子动力学模拟。”卢森堡大学理论化学物理教授亚历山大·特卡切坚科解释说。
正是通过将物理定律集成到机器学习技术中，研究人员现在解决了这个问题。“诀窍在于不使用机器学习技术来计算分子动力学的所有可能的可能状态，而是仅计算那些不是由已知物理定律或对称操作的应用所产生的状态。”亚历山大·特卡切坚科教授解释说。
一方面，新开发的算法使用分子内的自然数学对称性。他们认识到的是对称轴，它们不会改变分子的物理特性。结果，这些数据点只需要计算一次，而不是几次，这大大降低了计算的复杂性。另外，学习技术利用能量守恒的物理定律。
通过这种创新的方法，允许机器学习技术在学习计算分子动力学之前先“结合”物理定律，研究团队成功地调和了高精度和数据效率这两个相互矛盾的方面。“这些特殊算法使过程可以专注于模拟的复杂问题，而不是利用计算机性能来重建数据点之间的琐碎关系。因此，这项研究证明了将人工智能与化学或其他自然科学相结合的巨大潜力“，克劳斯·罗伯特·穆勒(Klaus-RobertMüller)解释了该项目的重要性。