全球 - 艾赫巴里通讯社
量子数据如何赋能AI，改进化学研究
模拟材料中电子的行为一直是化学和材料科学领域一项基础但极其艰巨的任务。精确理解电子如何相互作用对于开发具有创新特性的新材料至关重要，从高效电池到拯救生命的药物。然而，经典计算方法经常遇到局限性，被迫为了速度而牺牲精度，反之亦然。
为了阐明这一挑战，杜兰大学物理学教授约翰·P·珀杜（John P. Perdew）于2001年提出了引人入胜的“雅各布天梯”隐喻。珀杜将这座梯子设想为描述电子行为计算复杂性层级的代表。在最低一级，模型是简化的，将原子视为由弹簧连接的简单球体，允许快速模拟数百万个原子，但精度较低。随着人们向上攀爬梯子，数学和计算需求不断升级，原子现实的描述变得更加精确，达到一个理论上的顶峰，在那里，自然被极其密集的计算完美描述——类似于一种神圣的视角。
另请阅读
然而，珀杜梯子的顶峰对经典计算机来说在很大程度上是遥不可及的。更精确的方法，如密度泛函理论（DFT）或哈特里-福克方法，包含了单个电子的完整量子行为，但以平均方式简化了它们的相互作用，限制了它们模拟大分子的能力。在最顶端是耦合簇（Coupled-cluster）和全构型相互作用（FCI）等方法，它们极其精确，但在计算上成本高昂，目前仅限于非常小的分子或电子子集。
量子计算和人工智能交叉点上的变革性创新正是在这里。微软与太平洋西北国家实验室（PNNL）等合作伙伴一道，设想了一种混合方法，旨在“弯曲”雅各布天梯，使其最高层也触手可及。这种方法首先利用量子计算机生成关于电子行为的极其精确的数据——这些数据如果用经典方法计算将是极其昂贵的。然后，这些量子生成的数据将训练在经典机器上运行的AI模型，这些模型可以以惊人的速度预测材料的特性。通过将量子精度与AI驱动的速度相结合，我们可以更快地攀登雅各布天梯，以一小部分成本设计出具有新颖特性的新材料。
这种方法的重要性在于它能够解决“电子关联”的挑战，即电子之间复杂的相互作用，这对于精确描述化学系统至关重要。虽然经典方法近似这些相互作用，但量子计算有潜力以前所未有的精度对其进行建模。这在电子强相互作用的系统中尤为重要，例如高温超导体，或在包含对催化过程至关重要的某些金属原子的化合物中。
这种融合的意义是巨大的。量子增强型AI可以极大地加速电池和药物的开发，从而为疾病提供更有效的治疗，并生产更安全、更可持续的日常产品。这种影响超越了医疗保健和能源领域；这些AI模型可以搜索以前未知的催化剂，以固定大气中的碳并缓解气候变化，发现新的化学反应以将废塑料转化为有用的原材料，并从环境中清除有毒的“永久化学品”。它们还可以发现新的电池化学物质，用于更安全、更紧凑的能量存储，并为个性化医疗加速药物发现。
微软与太平洋西北国家实验室之间的一个联合项目，利用AI和高性能计算来识别电池电解质的潜在材料，证明了这种方法的实际潜力。这些努力已经导致了有前景材料的合成和测试，展示了量子和AI协同作用产生切实成果的能力。
相关新闻
随着量子计算和AI的不断发展，它们作为追求新材料科学和化学的关键工具的作用只会越来越大。这种强大的组合不仅有望改善现有成果，而且有望在材料设计、对复杂反应机制的深刻理解以及在最基本层面操纵物质的能力方面开辟全新的前沿。我们正站在化学发现新时代的风口浪尖，这将以深刻而往往看不见的方式塑造我们的世界。
