比來，機械進修在化學(xué)范疇的運用有很年夜停頓，特殊是化學(xué)搜刮成績，從藥物挑選、電池設(shè)計到OLEDs設(shè)計，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。

　　為了可以或許擴展搜刮才能，雷鋒網(wǎng)懂得到已有幾個研討小組應(yīng)用DFT生成的練習數(shù)據(jù)，創(chuàng)立ML模子來猜測化學(xué)性質(zhì)，例如Matthias Rupp等用機械進修模子來猜測各類無機份子的原子化能，J?rg Behler 和 Michele Parrinello引入DFT勢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基準數(shù)據(jù)集（配有DFT盤算的電子，熱力學(xué)和振動性質(zhì)的份子聚集）上運用了各類機械進修辦法。

　　谷歌研討院宣布了兩篇論文，引見了他們在這一范疇的研討，研討任務(wù)由Google Brain團隊，Google Accelerated Science團隊，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疾速機械進修模子的影響，模子用于構(gòu)建無機份子的十三個基態(tài)電子性質(zhì)，每一個回歸/表征/性質(zhì)組合的機能經(jīng)由過程進修曲線評價，該曲線描寫近似誤差，以此作為練習集年夜小的函數(shù)。論文在QM9基準數(shù)據(jù)集上測試了多種機械進修辦法，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圖形對稱性具有不變性的神經(jīng)收集模子。研討團隊在MPNN模子族中開辟了新變體，機能顯著優(yōu)于QM9基準測試的一切基準測試辦法，別的某些目的的機能改良了近四倍。

　　從機械進修的角度來看，份子數(shù)據(jù)之所以風趣，緣由之一是一個份子的天然表征以原子作為界限的結(jié)點和鍵。可以或許應(yīng)用數(shù)據(jù)中固有對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，好比把一種圖片中的狗挪到圖片右邊照樣一張狗的照片）。 圖形對稱性這一固有特點是機械進修處置圖象數(shù)據(jù)異常幻想的性質(zhì)，在這范疇也有很多風趣的研討，例如Yujia Li等研討了卻構(gòu)化圖片的特點進修技能，David Duvenaud等運用圖象神經(jīng)收集進修份子指紋信息，Steven Kearnes等提出一種機械進修模子用于無向圖的進修。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）運用模子的最好版本，并找出文獻中提到的分歧模子之間的接洽。

　　谷歌研討院提出的MPNN模子進步了QM9數(shù)據(jù)集義務(wù)（猜測一切13種化學(xué)性質(zhì)）的最好機能，在這個特定的數(shù)據(jù)集上，他們的模子可以精確地猜測13種性質(zhì)中的11個，如許的猜測機能曾經(jīng)足夠精確，能對化學(xué)家將來的運用有贊助。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)實運用之前還有許多任務(wù)要做。現(xiàn)實上，MPNN模子必需運用于比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，即便有了更真實的數(shù)據(jù)集，模子的泛化機能照樣很差。戰(zhàn)勝以上兩個挑釁須要處理機械進修研討的焦點成績，例如泛化。

　　猜測份子性質(zhì)是一個異常主要的成績，它既是先輩的機械進修技巧的運用場景，也為機械進修帶來了異常風趣的基本研討課題。最初，份子性質(zhì)的猜測有助于造福人類的新藥物和資料的設(shè)計。谷歌迷信家們以為流傳研討結(jié)果，贊助其他研討者進修機械進修運用都是及其主要的。