整理丨汪浩文
校对丨维克多
量子技术和人工智能都是当前最先进的科学技术，后者被寄希望于拥有强悍的估算能力，前者早已在各行各业“大杀四方”。当二者相遇会碰撞出哪些样的火花？人工智能又能在什么方面推动量子技术？
今年12月份，聊城农工学院计算机科学与工程系（主任有影响力）院长姬水旺在CNCC会议上发表了《量子物理和数学的深度学习》的讲演，抒发了他对两个学科的看法。
“量子打破了我们好多常识性的理解，在量子状态世界的运行并不确定，我们最多只能预测各类结果出现的机率。”
据悉，他还表示，量子的研究对象其实是原子层级甚至亚原子层级的物体，但与宏观规则也有相通之处，比如可以把分子之间的结构看成一张图，进行处理。
姬水旺，2010年获得俄亥俄州立学院计算机科学博士学位，导师为叶杰平院士。研究兴趣包括机器学习、深度学习、数据挖掘和估算生物学，于2014年获得法国国家科学基金会职业奖。2020年连任为ACM2020杰出会员。
以下是讲演全文，AI科技评论做了不改变本意的整理。
你们好，明天我将注重说说怎么运用AI以及图形估算技术来解决量子化学及量子物理问题。
首先让我们来了解一些背景：在精典数学学领域，我们讨论的是宏观世界中的物体或则现象。例如，你朝一个球踢了一脚，假如你晓得球的具体质量、速度以及当前的时间，你能够预测出五秒后这个球的位置。并且在量子领域，因为研究对象是原子层级甚至亚原子层级的物体，比如原子和物理键组成的分子，因而未能依照传统逻辑思索领域规则。
近年，我们不断与各个领域的专家合作，希望从量子化学学家、量子物理家、量子材料学家等头上获得研究突破。那些不同领域的学者都有一些共同须要研究的话题，而这种话题与图象、AI、尤其是深度学习相关联。如今我来汇报最新进展。
AI遇上量子物理
分子由原子及原子间的物理键构成，比如在分子中，原子用点表示，而分子则由线表示。所以能否将分子以2D图形的方式呈现下来。在机器学习和数据挖掘领域，图形估算是一个老生常谈的话题。但迁移到分子领域，也面临新的挑战：2D图形的方式并不能完全挖掘分子的属性。虽然，分子实际上不是一个2D的平面，其具有三维空间属性的。它的结构并不只由点和线的属性决定量子物理学科排名，而同时由空间座标、化学键角等等决定。为此，在探求分子功能时，须要注重它的三维结构。
怎么高效地借助分子的空间信息去进行预测及生成模型？消息传播神经网路（，MPNN）是一种常用的图神经网路框架。我们能发觉，这种方式可以归纳为两个多项式：聚合函数和节点更新函数。聚合函数能将把邻居节点的信息聚合上去。
当我们尝试估算一个节点的信息时，基本上还会考虑节点在上个时间点本身的属性以及中介节点的属性，以及边界的信息。估算聚合函数以后，须要借助节点更新函数，这一步要求就能借助之前步骤的信息与属性，更新现今的节点信息。但此举只是简单地考虑了节点及边界的特点。所以，我们近日的工作就是尝试建立三维图形估算网路，便于才能获取完整的三维信息。
一旦须要列入三维信息，估算网路将显得十分复杂，且信息传递也将显得低效。所以我们希望网路在高效的同时，让估算显得等效与稳定。假如有一个分子，当你旋转这个分午时，他的好多2D属性似乎不会改变，但3D信息却不一定；为此，我们希望在预测及生成模型中，当分子的一个节点旋转时，它的量子属性也保持稳定。
模型的预测功能是指预测一个给定分子的属性，比如，我们可以预测分子是否有作为药物的潜力。而生成模型是指按照给定的属性去生成/合成相应的新分子。
当前，早已有不少研究者将3D属性列入审视了。其中一个最早的工作叫，她们将距离作为三维属性列入。即使用意味着会考虑边界以及边界的宽度。。近来也有一个工作叫。在的基础上更进一步，由于它将角度列入了审视。比如你有从j到i的信息，你须要估算mi，j，这么须要不仅仅将节点信息列入审视，还须要考虑两个物理键之间的角度。
但在物理中，我们发觉仅仅审视距离和几何形状是远远不够的。如上图，蓝色部份代表了一个并不真实存在的平面，红色部份也是这么。分子拥有几何形状，而且仅仅晓得三条物理键的距离、两个键角是无法完全确定分子的几何形状的。
让我们思索一下，d1，d2确定的平面与由d2，d3确定的平面之间会存在一个φ角。也正是这个角，成为了上述模型中的不确定诱因。由于虽然拥有相同的两个键角时，而φ角不断改变，造成分子的几何形状也会发生改变。
我们尝试建立的是一个完整的、能够解决所有情况的几何框架，称之为球状信息传递。
为了解决上述问题，将φ角列入了审视，φ角是X与他的投影之间的倾角。
此举的一个审视是：必须让呈现下来的分子是稳定不变的。比如，当旋转分午时，它们的属性，比如所有的倾角，应该不发生变化。。在球状信息传递中，我们建立一个球座标系，包括参照点、距离和扭角。但此模型不是100%完美的。
由于仅仅考虑了一个对照，所以当考虑其他节点时都会出现不确定诱因。所以我们的工作是不完美而且十分具有效率的。
近来有一个叫的系统，她们的看法是，我们的系统仅仅使用了的A节点的邻居节点的信息，并没有使用2-hop领域信息。科学家觉得，当你使用了2-hop领域信息时，这个系统将会趋近构建。确实，当你使用2-hop领域信息时，角度信息将被较好地合并，而且达到近乎建立的疗效，并且问题在于，一旦你使用了2-hop信息，信息更新后将列入大量地邻居节点，整个信息更新步骤将显得异常复杂。
相较之下，我们的系统似乎不是100%的建立，但更具效率，才能直观地看见复杂程度：n代表节点的数目，K则是所有节点的平均自由度。在实际疗效上量子物理学科排名，我们的模型与更复杂的非常相仿。
右图才能清晰地展示我们的模型能或不能表示什么情况。a图和b图表示的是在物理上被称为手性的现象。
事实上，这两个分子如同是镜像。我们设计的网路才能分辨这两种情况，而之前好多的方式并不能做到。由于在我们的方式中，我们用到了扭角作为相对角度，而在手性这个事例中，两者q1的角度分别为60°和90°。并且，在第二种情况下，q1的扭角都为90°，所以我们的方式难以分辨出来。第二种情况也是被社区的同行们强调“希望更正”的情况，并且从物理意义上说，这些情况发生的机率十分特别低，由于q2和q3作为不同的原子，她们与q1之间的扭角相同的情况几乎不可能发生。所以我们觉得，虽然我们的模型不是100%覆盖了所有的情况，未能覆盖的情况在自然界中很难发生。
AI遇见量子热学
当我们开始着眼于量子热学时，薛定谔多项式为我们提供了解答思路。假如你晓得距离角和扭角的数值，你可以使用多项式中的不同函数，比如球面纹波和球面贝塞尔函数，也可以使用其他的基本函数去搜集Θ值，并最终得到一个特点向量。这是一个具有化学意义的特点向量，才能在实际的信息传递中使用。
右图是系统建立过程。有输入模块，一个采用扭转角和距离信息作为输入的交互模块，这个交互模块可能会重估好多次，这个重复的次数将取决于你的数据量。最后是输出模块，有了这个模块，才能使信息传递用于一些比赛当中，比如公开催化剂挑战。
公开催化剂挑战赛是一个由AI和CMU发起的大赛。比赛的宗旨是借助新的大规模分子数据去预测热力学数据。在催化剂发觉领域，这种目标分子一般都相对较大，每位分子在结构上平均富含80个原子。
所以她们按照训练与测试的关系将数据集分为四组，打分是按照每一个绝对偏差的平均值，来评价系统才能检测的最佳质量。每一行代表一个模型，CGCNN来自一个借助模型研究分子的公司，还有，以及。你们能看见，在所有的系统中，就能抢占一个特别有竞争力的地位。
上图是来自其他数据集QM9的结果。这是一个相对较小的数据集，每一列代表了一个量子属性，每一行代表了一个预测方式，从表中才能见到每位方式在不同属性上的平均偏差。
在其他数据集上我们的系统也是成功的，比如MD17，这是一个更小的数据集。正如我们谈到的，由于使用了2-hop数据，估算力需求更大，所以只能用在较小的数据集当中。
正如上图所见，即使在较小的数据集中，我们系统的表现也稍优于，与相比表现也相差无几，但的估算消耗更大。
右图估算消耗的比较。截止目前，与两代的估算相比，我们的估算消耗都是要小得多的。
右图展示了系统的过滤器。正如所见，每行代表的分子具有不同的扭角，而在好多情况下我们的过滤器展示的结果在不同扭角下是十分不同的，这也印证了扭角参数在捕获不同分子模式时是十分重要的。
简单小结一下，我们的看法是尝试将分子的三维信息完整地展示下来，所以我们建立了框架。而且框架是理论上近乎建立且十分高效的，从实际疗效上来看我们的框架可能早已是100%覆盖的了，我们在这个方向上也有了好多的进展。
目前，相关工作早已开源，设计成了“diveinto”库。
非常的，对于分子研究应用，我们有一个专门的库称作“X”。假如你关注KDD大赛，你会了解我们是图形神经网路估算领域的领先者之一，我们也参与了AICures针对Covid-19的开放挑战目前我们在和AUPRC上的成绩都是排行第一。
因而我们的工作主要是开发全新的图象处理技术，进而解决基础科学领域尤其是量子物理、量子化学、材料科学中的问题。我的团队开发了估算方式、开源了软件库并在大会、期刊中发表了我们的成果。同时，我们也参与了多项开放挑战，如KDD杯。
我们的研究人工智能和量子化学的交叉领域，在量子化学中，是以薛定谔多项式为基础的。相应的研究耗费极其高昂，假如建立粒子系统，须要庞大的算力支持就能解决特点值问题。但将量子化学与AI估算结合上去，将是一个极其火爆的领域，目前，该领域仍处在探求阶段。