整理丨汪浩文
校對丨維克多
量子技術和人工智能都是當前最先進的科學技術，后者被寄希望于擁有強悍的估算能力，前者早已在各行各業“大殺四方”。當二者相遇會碰撞出哪些樣的火花？人工智能又能在什么方面推動量子技術？
今年12月份，聊城農工學院計算機科學與工程系（主任有影響力）院長姬水旺在CNCC會議上發表了《量子物理和數學的深度學習》的講演，抒發了他對兩個學科的看法。
“量子打破了我們好多常識性的理解，在量子狀態世界的運行并不確定，我們最多只能預測各類結果出現的機率。”
據悉，他還表示，量子的研究對象其實是原子層級甚至亞原子層級的物體，但與宏觀規則也有相通之處，比如可以把分子之間的結構看成一張圖，進行處理。
姬水旺，2010年獲得俄亥俄州立學院計算機科學博士學位，導師為葉杰平院士。研究興趣包括機器學習、深度學習、數據挖掘和估算生物學，于2014年獲得法國國家科學基金會職業獎。2020年連任為ACM2020杰出會員。
以下是講演全文，AI科技評論做了不改變本意的整理。
你們好，明天我將注重說說怎么運用AI以及圖形估算技術來解決量子化學及量子物理問題。
首先讓我們來了解一些背景：在精典數學學領域，我們討論的是宏觀世界中的物體或則現象。例如，你朝一個球踢了一腳，假如你曉得球的具體質量、速度以及當前的時間，你能夠預測出五秒后這個球的位置。并且在量子領域，因為研究對象是原子層級甚至亞原子層級的物體，比如原子和物理鍵組成的分子，因而未能依照傳統邏輯思索領域規則。
近年，我們不斷與各個領域的專家合作，希望從量子化學學家、量子物理家、量子材料學家等頭上獲得研究突破。那些不同領域的學者都有一些共同須要研究的話題，而這種話題與圖象、AI、尤其是深度學習相關聯。如今我來匯報最新進展。
AI遇上量子物理
分子由原子及原子間的物理鍵構成，比如在分子中，原子用點表示，而分子則由線表示。所以能否將分子以2D圖形的方式呈現下來。在機器學習和數據挖掘領域，圖形估算是一個老生常談的話題。但遷移到分子領域，也面臨新的挑戰：2D圖形的方式并不能完全挖掘分子的屬性。雖然，分子實際上不是一個2D的平面，其具有三維空間屬性的。它的結構并不只由點和線的屬性決定量子物理學科排名，而同時由空間座標、化學鍵角等等決定。為此，在探求分子功能時，須要注重它的三維結構。
怎么高效地借助分子的空間信息去進行預測及生成模型？消息傳播神經網路（，MPNN）是一種常用的圖神經網路框架。我們能發覺，這種方式可以歸納為兩個多項式：聚合函數和節點更新函數。聚合函數能將把鄰居節點的信息聚合上去。
當我們嘗試估算一個節點的信息時，基本上還會考慮節點在上個時間點本身的屬性以及中介節點的屬性，以及邊界的信息。估算聚合函數以后，須要借助節點更新函數，這一步要求就能借助之前步驟的信息與屬性，更新現今的節點信息。但此舉只是簡單地考慮了節點及邊界的特點。所以，我們近日的工作就是嘗試建立三維圖形估算網路，便于才能獲取完整的三維信息。
一旦須要列入三維信息，估算網路將顯得十分復雜，且信息傳遞也將顯得低效。所以我們希望網路在高效的同時，讓估算顯得等效與穩定。假如有一個分子，當你旋轉這個分午時，他的好多2D屬性似乎不會改變，但3D信息卻不一定；為此，我們希望在預測及生成模型中，當分子的一個節點旋轉時，它的量子屬性也保持穩定。
模型的預測功能是指預測一個給定分子的屬性，比如，我們可以預測分子是否有作為藥物的潛力。而生成模型是指按照給定的屬性去生成/合成相應的新分子。
當前，早已有不少研究者將3D屬性列入審視了。其中一個最早的工作叫，她們將距離作為三維屬性列入。即使用意味著會考慮邊界以及邊界的寬度。。近來也有一個工作叫。在的基礎上更進一步，由于它將角度列入了審視。比如你有從j到i的信息，你須要估算mi，j，這么須要不僅僅將節點信息列入審視，還須要考慮兩個物理鍵之間的角度。
但在物理中，我們發覺僅僅審視距離和幾何形狀是遠遠不夠的。如上圖，藍色部份代表了一個并不真實存在的平面，紅色部份也是這么。分子擁有幾何形狀，而且僅僅曉得三條物理鍵的距離、兩個鍵角是無法完全確定分子的幾何形狀的。
讓我們思索一下，d1，d2確定的平面與由d2，d3確定的平面之間會存在一個φ角。也正是這個角，成為了上述模型中的不確定誘因。由于雖然擁有相同的兩個鍵角時，而φ角不斷改變，造成分子的幾何形狀也會發生改變。
我們嘗試建立的是一個完整的、能夠解決所有情況的幾何框架，稱之為球狀信息傳遞。
為了解決上述問題，將φ角列入了審視，φ角是X與他的投影之間的傾角。
此舉的一個審視是：必須讓呈現下來的分子是穩定不變的。比如，當旋轉分午時，它們的屬性，比如所有的傾角，應該不發生變化。。在球狀信息傳遞中，我們建立一個球座標系，包括參照點、距離和扭角。但此模型不是100%完美的。
由于僅僅考慮了一個對照，所以當考慮其他節點時都會出現不確定誘因。所以我們的工作是不完美而且十分具有效率的。
近來有一個叫的系統，她們的看法是，我們的系統僅僅使用了的A節點的鄰居節點的信息，并沒有使用2-hop領域信息?？茖W家覺得，當你使用了2-hop領域信息時，這個系統將會趨近構建。確實，當你使用2-hop領域信息時，角度信息將被較好地合并，而且達到近乎建立的療效，并且問題在于，一旦你使用了2-hop信息，信息更新后將列入大量地鄰居節點，整個信息更新步驟將顯得異常復雜。
相較之下，我們的系統似乎不是100%的建立，但更具效率，才能直觀地看見復雜程度：n代表節點的數目，K則是所有節點的平均自由度。在實際療效上量子物理學科排名，我們的模型與更復雜的非常相仿。
右圖才能清晰地展示我們的模型能或不能表示什么情況。a圖和b圖表示的是在物理上被稱為手性的現象。
事實上，這兩個分子如同是鏡像。我們設計的網路才能分辨這兩種情況，而之前好多的方式并不能做到。由于在我們的方式中，我們用到了扭角作為相對角度，而在手性這個事例中，兩者q1的角度分別為60°和90°。并且，在第二種情況下，q1的扭角都為90°，所以我們的方式難以分辨出來。第二種情況也是被社區的同行們強調“希望更正”的情況，并且從物理意義上說，這些情況發生的機率十分特別低，由于q2和q3作為不同的原子，她們與q1之間的扭角相同的情況幾乎不可能發生。所以我們覺得，雖然我們的模型不是100%覆蓋了所有的情況，未能覆蓋的情況在自然界中很難發生。
AI遇見量子熱學
當我們開始著眼于量子熱學時，薛定諤多項式為我們提供了解答思路。假如你曉得距離角和扭角的數值，你可以使用多項式中的不同函數，比如球面紋波和球面貝塞爾函數，也可以使用其他的基本函數去搜集Θ值，并最終得到一個特點向量。這是一個具有化學意義的特點向量，才能在實際的信息傳遞中使用。
右圖是系統建立過程。有輸入模塊，一個采用扭轉角和距離信息作為輸入的交互模塊，這個交互模塊可能會重估好多次，這個重復的次數將取決于你的數據量。最后是輸出模塊，有了這個模塊，才能使信息傳遞用于一些比賽當中，比如公開催化劑挑戰。
公開催化劑挑戰賽是一個由AI和CMU發起的大賽。比賽的宗旨是借助新的大規模分子數據去預測熱力學數據。在催化劑發覺領域，這種目標分子一般都相對較大，每位分子在結構上平均富含80個原子。
所以她們按照訓練與測試的關系將數據集分為四組，打分是按照每一個絕對偏差的平均值，來評價系統才能檢測的最佳質量。每一行代表一個模型，CGCNN來自一個借助模型研究分子的公司，還有，以及。你們能看見，在所有的系統中，就能搶占一個特別有競爭力的地位。
上圖是來自其他數據集QM9的結果。這是一個相對較小的數據集，每一列代表了一個量子屬性，每一行代表了一個預測方式，從表中才能見到每位方式在不同屬性上的平均偏差。
在其他數據集上我們的系統也是成功的，比如MD17，這是一個更小的數據集。正如我們談到的，由于使用了2-hop數據，估算力需求更大，所以只能用在較小的數據集當中。
正如上圖所見，即使在較小的數據集中，我們系統的表現也稍優于，與相比表現也相差無幾，但的估算消耗更大。
右圖估算消耗的比較。截止目前，與兩代的估算相比，我們的估算消耗都是要小得多的。
右圖展示了系統的過濾器。正如所見，每行代表的分子具有不同的扭角，而在好多情況下我們的過濾器展示的結果在不同扭角下是十分不同的，這也印證了扭角參數在捕獲不同分子模式時是十分重要的。
簡單小結一下，我們的看法是嘗試將分子的三維信息完整地展示下來，所以我們建立了框架。而且框架是理論上近乎建立且十分高效的，從實際療效上來看我們的框架可能早已是100%覆蓋的了，我們在這個方向上也有了好多的進展。
目前，相關工作早已開源，設計成了“diveinto”庫。
非常的，對于分子研究應用，我們有一個專門的庫稱作“X”。假如你關注KDD大賽，你會了解我們是圖形神經網路估算領域的領先者之一，我們也參與了AICures針對Covid-19的開放挑戰目前我們在和AUPRC上的成績都是排行第一。
因而我們的工作主要是開發全新的圖象處理技術，進而解決基礎科學領域尤其是量子物理、量子化學、材料科學中的問題。我的團隊開發了估算方式、開源了軟件庫并在大會、期刊中發表了我們的成果。同時，我們也參與了多項開放挑戰，如KDD杯。
我們的研究人工智能和量子化學的交叉領域，在量子化學中，是以薛定諤多項式為基礎的。相應的研究耗費極其高昂，假如建立粒子系統，須要龐大的算力支持就能解決特點值問題。但將量子化學與AI估算結合上去，將是一個極其火爆的領域，目前，該領域仍處在探求階段。