借助强大的机器学习算法，科学家们提高了新物质探索开发的效率

化学科学正在向前发展，而化学反应也越来越复杂。但在强大技术的加持下，现代化学研究正在突破我们对于化学的传统印象。科研人员不用呆坐在实验室里摆弄瓶瓶罐罐，非要把花花绿绿的试剂混合在一起才能知道它们会发生什么化学反应、生成了什么物质。借助强大的机器学习算法，科学家们不费一瓶一罐也能预测出化学产物，极大地提高了新物质探索开发的效率。

加州理工学院的研究人员们就利用机器学习开发出了这样一套能够称为化学家左膀右臂的工具，在你还没来得及把化学试剂放进试管里之前，就能够预测化学反应。

研究人员利用Hartree-Fock作为输入来预测电子结构的相关能量。整体的相关能量通过来自占据分子轨道独立和成对的贡献来进行表达，基于分子轨道特性，研究人员利用高斯过程回归来预测不同轨道特征的贡献。通过最大化化学系统间的迁移能力和特征集的紧凑性，研究人员成功规避了通常使用的原子或几何特征信息。这种方法避免的传统计算方法的缺点，在保证精度的情况下提升了效率。它甚至可以预测训练集中没有包含的元素或原子构成的分子。

尽管这个工具并不是这个领域的开创者，但是这个算法在已有的工具基础上进行了很多改进，能够通过输入的化学物质来预测出反应的过程和生成物的属性，这一点至关重要。

研究人员表示“这些预测能将潜在的微观属性与我们在宏观世界中关心的事情联系起来，能让我们提前知道一种催化剂的性能是否会比另一种更好，并确定新的候选药物。"

Caltech研究人员的工作实质上改变了预测软件的关注焦点。以前的工具基于三种计算建模方法，即密度泛函理论(density functional theory,DFT )、耦合簇理论(coupledcluster theory ,CC )或默勒-普莱塞特扰动理论(Møller–Plesset perturbation theory , MP2 )。这些理论代表了三种不同近似来解薛定谔方程的方法，而薛定谔方程描述了一种量子力学起着重要作用的复杂系统。

这些理论各有优劣。DFT是一种快餐式的方法，它能让研究人员更快地得出答案，但准确度较低。CC和MP2更精确，但是计算耗费时间更长，且消耗更多的算力。

但这种方法好似穿针引线利用机器学习将几种方法的优势结合了起来，它能够比DFT更准确的预测，但耗时却比CC和MP2少。这种方法将机器学习算法集中在分子轨道，即分子周围的电子云上来实现上述效果。相比之下，现有的工具则聚焦于分子中原子的类型或原子键合的角度。

目前为止，这种方法展示出了巨大的前景，虽然它现在还只被用来预测相对简单的系统，但从目前的结果来看，它具有处理复杂化学问题的良好前景。如果这一方法在复杂化学问题上取得成功，它将称为计算化学研究史上的里程碑事件，将极大地促进化学特别是计算化学、理论化学的发展。

这项工作发表在《化学理论与计算杂志》上，题为“机器学习的迁移应用——通过分子轨道预测电子结构”。