量子化学以量子尺度研究化学性质和过程，为现代化学的研究和发现开辟了许多途径。化学家不需要使用烧杯或试管来研究特定原子或分子的电子结构，它们如何在轨道上排列，以及这些电子如何与其他化合物或原子电子相互作用以预测给定的原子或自然。分子及其化学反应方式。但是，尽管量子化学已显示出强大的功能，但它也有一个很大的缺点：精确的计算需要大量资源和时间，并且常规化学研究涉及的计算需要几天甚至更长的时间。现在，得益于使用机器学习的新型量子化学工具，量子化学计算可以比以前快1000倍，从而使精确的量子化学研究比以往更快。这个名为OrbNet的工具是与加利福尼亚理工学院化学教授Tommiller和布伦大学计算与数学科学教授animaanandkumar共同开发的。米勒说：“在量子化学中，计算精度与所需时间之间存在相互作用。”您可以开始计算，然后说，‘好吧，星期二见。 ’但是现在，计算可以交互进行。 “ OrbNet使用图神经网络（一种机器学习系统），将信息表示为“节点”。其中包含数据和“边”表示这些数据块之间的关系。米勒说，OrbNet之所以能像这样工作的原因是由于原子和分子映射到图形神经网络方式的创新。该网络基于Schrodinger方程，该方程是量子力学的核心数学。他说：“先前的图结构将原子组织成节点，并将原子之间的键组织成边缘，但是量子化学却不这么认为。 “因此，我们建立了一个图，其中的节点是电子轨道，而边缘是轨道之间的相互作用。这与薛定inger方程具有更自然的联系。像所有机器学习系统一样，需要对OrbNet进行培训以执行分配的任务，这类似于获得新工作的人需要为此进行培训的方式。 OrbNet学会了基于对量子力学计算的精确参考来预测分子性质。 Anandkumar的研究专注于机器学习，他帮助设计和优化了图神经网络的实现。 Orbnet是一个很好的例子，它使用特定于域的属性：在这种情况下，是分子轨道。这使机器学习模型可以精确地计算一个比训练数据大得多的分子，最多可达该分子的10倍。对于标准的深度学习模型，这种推断是不可能的，因为它只能在训练数据上学习。插值。使用分子轨道领域的知识对于我们实现向大分子的转移至关重要。目前，OrbNet已经接受了大约100,000个分子的训练，Miller说，这使它可以对研究人员进行许多有用的计算，但正在进行的工作旨在将其扩展到更大的训练数据集。分子性质的预测具有许多实际益处。例如，OrbNet可用于预测分子的结构，它们如何反应，是否可溶于水或如何与蛋白质结合。他说。米勒说，未来在OrbNet上的工作将集中于通过额外的培训来扩大其任务范围。他说：“我们已经证明该方法可在有机化学的一个很小的角落使用，但没有什么可以阻止我们将该方法扩展到其他应用。”