【环球新视野】业界首个适用于固体系统的神经网络波函数,登上Nature子刊
机器之心专栏
机器之心编辑部
(资料图片仅供参考)
当今社会,“跨界” 逐渐成为各行各业寻找新可能的一个热门选择,学术界不同领域之间也时常能摩擦出智慧的火花。随着人工智能技术兴起,在化学、物理等领域,传统的研究方法逐渐与机器学习融合。机器学习能够处理海量数据,解决复杂场景下的科学难题,带领科学探索抵达过去无法触及的新领域。比如 DeepMind 用人工智能软件 AlphaFold 对科学界已知的几乎所有蛋白质结构进行了高度准确的预测;Christian Lagemann 提出的基于深度学习的粒子图像测速 (PIV) 方法一改原本的纯手动设置参数,大大提升模型的应用范围,对汽车、航空航天和生物医学工程等多个领域的研究具有至关重要的意义。
AlphaFold 能够预测出几乎所有已知蛋白质的结构(图源:DeepMind)
有充足的数据,有一个准确的模型来描述求解的科学问题,很多基础科学的 “百年未解之谜” 都能被机器学习迎刃而解。比如流体力学、凝聚态物理学、有机化学等等。
最近,字节跳动 AI Lab Research 团队和北京大学物理学院陈基课题组的工作《 Ab initio calculation of real solids via neural network ansatz》 给出了研究凝聚态物理的新思路,该工作提出了业内首个适用于固体系统的神经网络波函数,实现了固体的第一性原理计算,并将计算结果推向了热力学极限。其有力地证明了神经网络是研究固体物理的高效工具,也预示着深度学习技术将在凝聚态物理中发挥越来越重要的作用。相关研究成果于 2022 年 12 月 22 日发表于国际顶级刊物 Nature Communication 杂志上。
论文链接:https://www.nature.com/articles/s41467-022-35627-1
研究背景及研究方法
精确求解固体系统的薛定谔方程是凝聚态物理的圣杯之一。在过去数十年的凝聚态研究中,密度泛函理论被广泛采用并取得了巨大成功。
密度泛函理论:一种研究多电子体系电子结构的量子力学方法。尽管如此,密度泛函理论仍存在着诸多不足:对于复杂的强关联系统,密度泛函理论无法给出精确描述;在泛函挑选上也缺乏系统性提高自身精度的方法。近年来,相比于密度泛函理论,更为精确和通用的波函数方法得到了越来越多的关注和研究。
针对这一现状,字节跳动 AI Lab Research 团队联合北京大学物理学院陈基课题组设计了适用于固体系统的周期性神经网络波函数,并与量子蒙特卡洛方法结合,实现了对于固体系统的第一性原理计算。在该工作中,深度学习技术被首次应用于连续空间的固体系统研究,并将计算推向了热力学极限。
该工作的核心是将周期性推广后的系统特征向量与现有的分子神经网络波函数结合,构造出具有周期对称性和完全反对称性的固体系统波函数。之后,该工作运用量子蒙特卡洛方法高效地训练神经网络,并在一系列真实固体上进行了测试。
实验结果及分析
首先,作者在周期性的一维氢链上进行了测试。一维氢链是凝聚态中最为经典的系统之一,对于它的精确求解有助于人们理解强关联系统的特性。计算结果表明,神经网络可以达到与传统高精度方法(如辅助场蒙特卡洛)相近的精度。
随后,作者运用神经网络计算了二维石墨烯材料。石墨烯是近二十年来炙手可热的研究材料,它在导热、导电等方面的奇特性质具有重要的研究和应用价值。该工作精确计算了石墨烯的内聚能,计算结果与实验数据一致。
为了进一步验证工作的有效性,作者计算了三维的锂化氢材料并将计算规模推向了热力学极限,计算规模最大达到了 108 个电子,这也是至今为止神经网络所能模拟的最大固体系统。计算得到的材料内聚能,体积模量等均符合实验结果。
最后,作者研究了理论上更为有趣的均匀电子气系统。均匀电子气系统与许多新奇的物理效应(如量子霍尔效应)息息相关,因此深入理解均匀电子气具有重要的理论价值。计算结果表明,神经网络在均匀电子气上取得了不错的效果,接近甚至超越了许多传统高精度方法的结果。
该工作有力地证明了神经网络是研究固体物理的高效工具。随着算法的进一步完善,神经网络技术将在凝聚态物理中发挥更加重要的作用:如固体系统的相变,表面物理,非常规超导体等。这些课题的研究都需要高精度的固体波函数作为基石。同时,作者也在致力于研究更为高效的神经网络波函数,为凝聚态物理的研究提供更多可能性。
责任编辑:
标签:
精彩推送
【环球新视野】业界首个适用于固体系统的神经网络波函数,登上Nature子刊
最近,字节跳动AILabResearch团队和北京大学物理学院陈基课题组的工作《Abinitiocalculationofrealsolidsvianeuralnetwork…
今热点:【港股通】腾讯控股(00700)逆市升2.64% 瑞银、高盛指其受益于游戏版号获批
腾讯控股午后走势继续向上,最新报334 80港元,涨2 64%,成交额65 36亿港元。瑞银研报表示,国家新闻...
每日短讯:永顺生物(839729)12月28日散户资金净买入15.23万元
截至2022年12月28日收盘,永顺生物(839729)报收于8 06元,上涨0 12%,换手率0 04%,成交量328 36手...
新闻快讯
新闻快讯
- 【环球新视野】业界首个适用于固体系统的神经网络波函数,登上Nature子刊
- 今热点:【港股通】腾讯控股(00700)逆市升2.64% 瑞银、高盛指其受益于游戏版号获批
- 消息!河钢股份:依据会计处理的相关规定,公司收到的搬迁补偿款对资产负债率不产生影响
- 环球热点评!百利好黄金原油早盘分析:美元横着走 黄金震荡上
- 焦点速递!员工个人提升计划简短范文(精选54篇)
- 每日短讯:永顺生物(839729)12月28日散户资金净买入15.23万元
- 【独家】合锻智能荣获中国机械制造工艺协会科学技术奖特等奖
- 【全球聚看点】石狮刑警接力追凶26年!破获入室抢劫杀人案
- 【天天新要闻】中国长城: 关于拟变更会计师事务所的公告
- 环球热点!哈森股份(603958):哈森股份股东集中竞价减持股份进展
- 天天微动态丨最好吃的橘子排名?
- 环球今日报丨12月26日机构席净买入 买入14股
- 每日短讯:周票房:《阿凡达2》破7亿连庄 《想见你》居亚
- 【世界播资讯】重庆完成首例简易程序单边预约定价安排谈签
- 通讯!大华股份:12月23日融券卖出金额88.66万元,占当日流出金额的0.97%
- 【新要闻】蒋万安就职台北市长,小儿突然哭嚎引笑声一片
- 热门看点:财产分割报告该怎么写?
- 世界快播:青春不过几场世界杯
- 全球今日报丨期权分仓是否可以做卖方?期权卖方怎么做?
- 天天热讯:极市直播预告丨NeurIPS 2022 Oral-张博航:如何从模型层面获得对抗鲁棒性保证?
- 每日焦点!中日韩自贸区板块12月22日涨2.32%,青岛金王领涨,主力资金净流入3724.4万元
- 世界实时:“中华文化进孔子课堂”活动走进安卡拉
- 全球观察:中汽协公布1-11月前十家轿车生产企业销量排名
- 天天消息!重磅!时隔12年 证监会重启房企借壳上市大门
- 全球今日讯!海南国际电影节红毯众女星盛装出席
- 全球热推荐:H5开屏从龟速到闪电,企微是如何做到的
- 天天速讯:外媒:美国加州发生6.4级地震 数万户家庭和企业断电
- 【环球热闻】苍溪:多措并举 保障患者平稳有序就医
- 全球时讯:RX 7900系列开卖被秒光 诸多用户回归N卡阵营
- 世界新动态:至书房产遗嘱应该怎么写?
- 全球时讯:均为大套型房源!北京延庆区86套公租房今日起登记
- 全球即时看!Dance in the moment
- 天天即时看!南靖县领导带队调研推进重点项目建设
- 天天最新:秋衣不能用洗衣机洗吗 秋衣可不可以用洗衣机洗呢
- 全球讯息:中国2023年将继续实施积极财政政策和稳健货币政策
- 环球微资讯!复婚时离婚协议怎样写呢?
- 【全球新要闻】英杰电气获98家机构调研:充电桩和储能业务的扩建,也是基于公司在工业电源领域的优势,能力圈的延展在逻辑产业上都是符合行业发展规律的(附调研问答)
- 每日播报!离婚了农村房屋如何分割
- 环球时讯:南乐县用高质量干部管理助推脱贫攻坚工作
- 环球新动态:庭院养鹅怎么过冬 庭院养鹅如何安全过冬呢
- 世界讯息:科前生物(688526)12月14日主力资金净卖出298.02万元
- 快报:冠石科技(605588.SH)股东祥禾涌原等已合计减持1%股份
- 环球即时:鹏翎股份:目前河北新欧经营情况良好
- 焦点热门:12月13日基金净值:东方红创新趋势混合最新净值0.7091,跌0.25%
- 全球消息!同力日升(605286)12月13日主力资金净卖出1055.28万元
- 世界新动态:山西离婚有哪些程序?急?
- 今日视点:深圳国际(00152.HK)拟出售杭州深国际供应链管理100%股权
- 当前速看:蛋糕的方法怎么做 肉松蔬菜蛋糕的做法
- 全球动态:金冠股份(300510.SZ):冠华新能源拟与江苏保龙在西南、中部等区域建设储能、风储、光储电站项目
- 热点聚焦:紫元元(08223.HK)拟2497.1万元收购深圳福田区滨河大道物业