人工智能建模和深度学习算法(开源深度学习框架deepmind)

9月，Alphabet的DeepMind在《物理评论研究》(Physical Review Research)上发表了一篇论文，详细介绍了费米神经网络(FermiNet)，这是一种新的神经网络体系结构，非常适合对大量电子的量子态进行建模。DeepMind声称FermiNet是用于计算原子能的AI的首批演示之一，现已在GitHub上以开源形式提供-表面上看，它仍然是迄今为止最准确的方法之一。

在量子系统中，像电子这样的粒子没有确切的位置。相反，它们的位置由概率云描述。表示量子系统的状态具有挑战性，因为必须将概率分配给电子位置的可能构型。这些在波函数中编码，波函数为电子的每种构型分配一个正数或负数。波函数平方可提供在该配置中找到系统的可能性。

可能的结构空间很大-表示为每个方向上具有100个点的网格，硅原子的电子结构数将大于宇宙中的原子数。DeepMind的研究人员认为，人工智能可以在这方面提供帮助。他们推测，鉴于神经网络历来都适合人工智能问题中的高维函数，因此它们也可以用来表示量子波函数。

通过复习，神经网络包含神经元(数学功能)，这些神经元分布在层中，这些层传输来自输入数据的信号并缓慢调整每个连接的突触强度(即权重)。这就是他们提取特征并学习进行预测的方式。

因为电子是一种称为费米子的粒子，其中包括大多数物质(例如质子，中子，夸克和中微子)的构造块，所以它们的波函数必须是反对称的。(如果交换两个电子的位置，则波函数将乘以-1，这意味着如果两个电子相互重叠，则波函数和该构型的概率将为零。)这导致DeepMind研究人员得以开发一种新型的神经网络，它的输入是反对称的-FermiNet-并且每个电子都有单独的信息流。实际上，FermiNet将来自各个流的信息平均在一起，并将此信息传递给下一层的每个流。这样，流具有正确的对称性以创建反对称函数。

FermiNet选择电子配置的随机选择，在每个电子排列中局部评估能量，并累加每个排列的贡献。由于波函数的平方使您可以观察到任何位置的粒子排列，因此FermiNet可以直接从波函数生成样本。实际上，用于训练神经网络的输入是由神经网络本身生成的。

“我们认为FermiNet是深度学习与计算量子化学融合的伟大事物的开始。到目前为止，我们研究的大多数系统都是经过充分研究和理解的。但是，正如在其他领域进行的深度学习取得的第一个良好成果导致大量后续工作和快速发展一样，我们希望FermiNet能够激发大量的扩展工作，并为新的，甚至更好的网络架构提供许多构想， ” DeepMind在博客文章中写道。“我们……刚刚触及了计算量子物理学的表面，并期待将FermiNet应用于材料科学和凝聚态物理中的难题。通常，我们希望通过发布实验中使用的源代码，

在DeepMind在AI系统上展示其工作之后，FermiNet代码发布了，该系统可以预测玻璃分子在液态和固态之间转换时的运动。(DeepMind说，这两种技术和受过训练的模型(也都可以在开源中获得，可以用来预测对玻璃感兴趣的其他质量。)除玻璃之外，研究人员还断言这项工作对普通物质和生物学转变产生了见解，并可能导致制造业和医药业的进步。