在《美国国家科学院院刊》上发表的一项新研究中，洛斯阿拉莫斯国家实验室的研究人员建议将更多的量子力学数学方程纳入到机器学习的预测结构中。利用分子内原子所处的特定位置，机器学习模型可以预测出一个有效的哈密顿矩阵，该矩阵能描述各种可能的电子态及其相关能量。

与传统的量子化学模拟相比，基于机器学习的方法能大大降低计算成本。这种方法可以对材料特性进行定量精确的预测，可以对原子之间化学键的性质进行可解释的洞察，并可以用于预测其他复杂现象(例如光与物质的相互作用等)。相对于传统的机器学习模型，该方法还大大提高了准确性，并且证明了模型的可迁移能力。

量子力学方程提供了从基础科学理论去预测化学性质的方向。然而，当用于预测大型系统中的行为时，这些方程在计算时间和功率方面可能很快就变得过于昂贵。而使用机器学习来预测化学性质具有巨大的技术进步潜力，它的应用包括清洁能源、药物设计等诸多领域。机器学习是一个高度活跃的研究领域，但大多数现有方法都是使用简单的启发式方法来设计机器学习模型。

在洛斯阿拉莫斯国家实验室的这项研究中，研究人员表明，机器学习模型可以模仿自然界基本规律的基本结构。这些定律很难用传统的方法直接模拟。利用机器学习方法可实现易于计算的预测，并且它在各种化学系统中的准确性都很高。

改进后的机器学习模型可以快速准确地预测分子的广泛特性。这些方法在计算化学的重要基准上得分非常高，研究人员还展示了深度学习方法如何通过结合更多的实验数据来加强改进。该模型还可以成功完成一些具有挑战性的任务，例如预测激发态动力学。这个工具是量子化学领域的突破性能力，它将使科学家能够更好地了解新分子的反应性和激发态。（编译:Qtech）