比來，機(jī)械進(jìn)修在化學(xué)范疇的運(yùn)用有很年夜停頓，特殊是化學(xué)搜刮成績，從藥物挑選、電池設(shè)計(jì)到OLEDs設(shè)計(jì)，催化劑的發(fā)明。 汗青上化學(xué)家應(yīng)用薛定諤方程做數(shù)值近似來處理化學(xué)檢索成績，如應(yīng)用密度泛函實(shí)際（DFT），但是近似值的盤算本錢限制了搜刮的范圍。
為了可以或許擴(kuò)展搜刮才能，雷鋒網(wǎng)懂得到已有幾個(gè)研討小組應(yīng)用DFT生成的練習(xí)數(shù)據(jù)，創(chuàng)立ML模子來猜測(cè)化學(xué)性質(zhì)，例如Matthias Rupp等用機(jī)械進(jìn)修模子來猜測(cè)各類無機(jī)份子的原子化能，J?rg Behler 和 Michele Parrinello引入DFT勢(shì)能面的一種新的神經(jīng)收集表征。在這些任務(wù)的基本之上，谷歌研討院在QM9基準(zhǔn)數(shù)據(jù)集（配有DFT盤算的電子，熱力學(xué)和振動(dòng)性質(zhì)的份子聚集）上運(yùn)用了各類機(jī)械進(jìn)修辦法。
谷歌研討院宣布了兩篇論文，引見了他們?cè)谶@一范疇的研討，研討任務(wù)由Google Brain團(tuán)隊(duì)，Google Accelerated Science團(tuán)隊(duì)，DeepMind和巴塞爾年夜學(xué)協(xié)作完成。 第一篇論文《Fast machine learning models of electronic and energetic properties consistently reach approximation errors better than DFT accuracy》查詢拜訪了回歸份子和份子表征的選擇對(duì)疾速機(jī)械進(jìn)修模子的影響，模子用于構(gòu)建無機(jī)份子的十三個(gè)基態(tài)電子性質(zhì)，每一個(gè)回歸/表征/性質(zhì)組合的機(jī)能經(jīng)由過程進(jìn)修曲線評(píng)價(jià)，該曲線描寫近似誤差，以此作為練習(xí)集年夜小的函數(shù)。論文在QM9基準(zhǔn)數(shù)據(jù)集上測(cè)試了多種機(jī)械進(jìn)修辦法，并集中改良最有愿望的深層神經(jīng)收集模子。
第二篇論文《Neural Message Passing for Quantum Chemistry》描寫了一種稱為新聞傳遞神經(jīng)收集（MPNN）的模子族，將其籠統(tǒng)地界說為包括許多對(duì)圖形對(duì)稱性具有不變性的神經(jīng)收集模子。研討團(tuán)隊(duì)在MPNN模子族中開辟了新變體，機(jī)能顯著優(yōu)于QM9基準(zhǔn)測(cè)試的一切基準(zhǔn)測(cè)試辦法，別的某些目的的機(jī)能改良了近四倍。
從機(jī)械進(jìn)修的角度來看，份子數(shù)據(jù)之所以風(fēng)趣，緣由之一是一個(gè)份子的天然表征以原子作為界限的結(jié)點(diǎn)和鍵。可以或許應(yīng)用數(shù)據(jù)中固有對(duì)稱性的模子更輕易泛化，這很輕易懂得，卷積神經(jīng)收集在圖象辨認(rèn)上之所以勝利，一部門緣由是模子可以或許記住圖象數(shù)據(jù)中的一些不變性常識(shí)，好比把一種圖片中的狗挪到圖片右邊照樣一張狗的照片）。 圖形對(duì)稱性這一固有特點(diǎn)是機(jī)械進(jìn)修處置圖象數(shù)據(jù)異常幻想的性質(zhì)，在這范疇也有很多風(fēng)趣的研討，例如Yujia Li等研討了卻構(gòu)化圖片的特點(diǎn)進(jìn)修技能，David Duvenaud等運(yùn)用圖象神經(jīng)收集進(jìn)修份子指紋信息，Steven Kearnes等提出一種機(jī)械進(jìn)修模子用于無向圖的進(jìn)修。雖然這一范疇已有所停頓，谷歌研討院愿望找到化學(xué)（和其他）運(yùn)用模子的最好版本，并找出文獻(xiàn)中提到的分歧模子之間的接洽。
谷歌研討院提出的MPNN模子進(jìn)步了QM9數(shù)據(jù)集義務(wù)（猜測(cè)一切13種化學(xué)性質(zhì)）的最好機(jī)能，在這個(gè)特定的數(shù)據(jù)集上，他們的模子可以精確地猜測(cè)13種性質(zhì)中的11個(gè)，如許的猜測(cè)機(jī)能曾經(jīng)足夠精確，能對(duì)化學(xué)家將來的運(yùn)用有贊助。別的，此模子比應(yīng)用DFT模仿要快30萬倍。然則在MPNN模子走向現(xiàn)實(shí)運(yùn)用之前還有許多任務(wù)要做。現(xiàn)實(shí)上，MPNN模子必需運(yùn)用于比QM9數(shù)據(jù)更多樣化的份子聚集（例如數(shù)量更年夜，變更更年夜的重原子聚集）。固然，即便有了更真實(shí)的數(shù)據(jù)集，模子的泛化機(jī)能照樣很差。戰(zhàn)勝以上兩個(gè)挑釁須要處理機(jī)械進(jìn)修研討的焦點(diǎn)成績，例如泛化。
猜測(cè)份子性質(zhì)是一個(gè)異常主要的成績，它既是先輩的機(jī)械進(jìn)修技巧的運(yùn)用場(chǎng)景，也為機(jī)械進(jìn)修帶來了異常風(fēng)趣的基本研討課題。最初，份子性質(zhì)的猜測(cè)有助于造福人類的新藥物和資料的設(shè)計(jì)。谷歌迷信家們以為流傳研討結(jié)果，贊助其他研討者進(jìn)修機(jī)械進(jìn)修運(yùn)用都是及其主要的。
