DeepSCF 模型概述。图片来源：npj 计算材料 （2024）。DOI： 10.1038/s41524-024-01433-0

AI 与高度复杂的科学计算之间的密切关系可以从以下事实中看出：2024 年诺贝尔物理学奖和化学奖均颁发给为各自研究领域设计 AI 的科学家。KAIST 研究人员现在通过使用一种新颖的方法来教授 AI，预测分布在 3D 空间中的原子级化学键信息，从而成功地大大缩短了高度复杂的量子力学计算机模拟的计算时间。

电气工程学院的 Yong-Hoon Kim 教授的团队开发了一种基于 3D 计算机视觉人工神经网络的计算方法，该方法绕过了使用超级计算机进行原子级量子力学计算所需的复杂算法，以推导出材料的特性。

使用超级计算机在量子力学中进行密度泛函理论 （DFT） 计算已成为包括先进材料和药物设计在内的广泛研发领域中必不可少的标准工具，因为它们可以快速准确地预测量子特性。

然而，在电流密度泛函论 （DFT） 计算中，产生三维电子密度和求解量子力学方程的复杂自洽场 （SCF） 过程必须重复数十到数百次，这将其应用限制在数百或数千个原子上。

Yong-Hoon Kim 教授的研究团队询问是否有可能使用最近迅速发展的人工智能技术来避免自洽场过程。因此，他们开发了 DeepSCF 模型，通过计算机视觉领域的神经网络算法学习分布在三维空间中的化学键信息来加速计算。

该研究发表在 npj Computational Materials 杂志上。

研究团队专注于根据密度泛函理论，电子密度包含电子的所有量子力学信息，此外，残余电子密度，即总电子密度与组成原子的电子密度之和之和，包含化学键信息，并选择它作为机器学习的目标。

其后，研究团队采用包含各种化学键特性的有机分子数据集，并对其所包含的分子的原子结构进行任意旋转和变形，以进一步提高模型的准确性和泛化性能。最后，研究团队展示了 DeepSCF 方法对复杂和大型系统的有效性和效率。

领导这项研究的 Yong-Hoon Kim 教授说：“我们找到了一种将分布在三维空间中的量子力学化学键信息与人工神经网络相对应的方法。由于量子力学电子结构计算是全尺度材料特性模拟的基础，因此我们建立了通过人工智能加速材料计算的总体基本原则。

更多信息：Ryong-Gyu Lee 等人，通过网格投影原子指纹对自洽电子密度进行卷积网络学习，npj Computational Materials （2024）。DOI： 10.1038/s41524-024-01433-0

期刊信息：npj Computational Materials