Ученые сомневаются, что ИИ DeepMind так же хорош для систем с частичным зарядом, как кажется

В их газете опубликовано в Наука В декабре 2021 года команда DeepMind показала, как нейронные сети можно использовать для более точного описания взаимодействия электронов в химических системах, чем существующие методы. В своем комментарии в Наука что способность DeepMind AI обобщать поведение таких систем не следует из опубликованных результатов и требует пересмотра.

Знание того, где находятся электроны внутри молекулы, может иметь большое значение для объяснения ее структуры, свойств и реакционной способности. Химики используют методы теории функционала плотности (DFT), приближения к уравнению Шредингера, для создания точных и эффективных с точки зрения вычислений моделей молекул и материалов. Но есть хорошо известные обстоятельства, когда инструменты DFT терпят неудачу. Один предсказывает, как атомы делят электроны; в одном известном примере методы DFT неверно предсказывают, что даже когда атомы хлора и натрия бесконечно далеко друг от друга, атом хлора сохраняет долю одного из электронов атома натрия.

Подобные ошибки возникают из-за того, что уравнения DFT являются лишь приближениями к физической реальности. Исследователи из проекта машинного обучения DeepMind говорят, что их нейронная сеть устраняет эту ошибку в части электрона и делает более точные прогнозы, чем традиционные методы DFT.

«По своей сути DFT — это метод решения уравнения Шредингера. Его точность определяется его обменно-корреляционной частью, которая, к сожалению, неизвестна. На сегодняшний день предложено более 400 различных аппроксимаций для этой части», — говорит Петр Жиляев. , старший научный сотрудник Сколтеха.

«Один из способов построить хорошую обменно-корреляционную часть — перенести информацию о ней из более «продвинутых» численных методов, чем теория функционала плотности, которые, однако, на порядки менее вычислительно эффективны. В своей работе DeepMind использовала нейронную сети в качестве универсального интерполятора для изучения обменно-корреляционной части функционала. Их попытка была далеко не первой, но одной из самых амбициозных».

DeepMind построил функционал плотности на основе нейронной сети, обозначенный как DM21, обученный системам с дробными электронами, таким как атом водорода с половиной электрона. Чтобы доказать его превосходство, авторы протестировали DM21 на наборе растянутых димеров (называемых набором BBB), например, двух атомах водорода на большом расстоянии с одним электроном в сумме.

Ожидаемо, что функционал DM21 показывает отличную производительность на тестовом наборе BBB, намного превосходя все проверенные классические функционалы DFT и DM21m, обученный идентично DM21, но без систем дробных электронов в обучающем наборе.

Хотя может показаться, что DM21 понял физику систем с дробными электронами, более пристальный взгляд показывает, что все димеры в наборе BBB становятся очень похожими на системы в наборе поездов. Действительно, в силу локальности электрослабых взаимодействий атомные взаимодействия сильны только на коротких расстояниях, за пределами которых два атома ведут себя по существу так, как если бы они не взаимодействовали (см. рисунок выше).

“В какой-то степени, нейронные сети совсем как люди: они предпочитают получить правильный ответ по неправильной причине, чем наоборот. Поэтому нейронную сеть не так сложно обучить, как доказать, что она выучила физические законы, а не запомнила правильные ответы. Тестирование нейронной сети на системах, которые она видела во время обучения, сродни экзамену школьника с задачей, которую учитель решал всего пять минут назад», — объясняет Михаил Медведев, руководитель группы теоретической химии Института органической химии им. Академии наук.

Таким образом, тестовый набор BBB не является правильным: он не проверяет понимание DM21 дробно-электронных систем: DM21 может легко обойтись запоминанием. Тщательный анализ остальных четырех свидетельств обработки DM21 таких систем также не привел к однозначному выводу: ‌надежной может быть только его хорошая точность на наборе SIE4x4, хотя и там четкая тенденция роста ошибок с расстоянием говорит о том, что DM21 не полностью свободен от проблем с фракционно-электронными системами.

Использование дробно-электронных систем в обучающей выборке — не единственная новинка в работе DeepMind. Их идея введения физических ограничений в нейронную сеть через обучающую выборку, а также подход к наложению физического смысла через обучение правильному химическому потенциалу, вероятно, найдут широкое применение при построении нейронных сетей. нейронная сеть Функционалы ДПФ в будущем.