创新背景

量子化学，即在量子尺度上研究化学性质和过程，为现代化学的研究和发现开辟了许多途径。化学家无需处理烧杯或试管，就可以通过研究其电子结构（其电子如何在轨道上排列）以及这些电子如何与其他化合物或原子的电子相互作用来预测给定原子或分子的性质以及它将如何发生化学反应。

然而，尽管量子化学已经证明自己是强大的，但它也有一个很大的缺点：准确的计算是资源密集型和耗时的，常规化学研究涉及需要数天或更长时间的计算。

创新过程

OrbNet使用图形神经网络，这是一种机器学习系统，它将信息表示为“节点”，其中包含数据和“边缘”，表示这些数据块彼此相关的方式。

OrbNet之所以能很好地工作，是因为原子和分子映射到基于薛定谔方程的图形神经网络的方式上的创新，薛定谔方程是量子力学的核心数学。

以前的图架构将原子组织为节点，原子之间的键组织为边缘，但这不是量子化学思考的方式，因此，研究人员建立了一个图表，其中节点是电子轨道，边缘是轨道之间的相互作用。这与薛定谔方程有着更自然的联系。

像所有机器学习系统一样，OrbNet需要接受培训才能执行分配的任务，类似于获得新工作的人需要接受培训的方式。OrbNet学会了在精确的参考量子力学计算的基础上预测分子性质。该研究的重点是机器学习，他帮助设计和优化了图形神经网络的实现。

OrbNet处理量子化学模拟的速度比以前快得多，允许在程序中实时操纵分子。

Orbnet是使用领域特定特征的深度学习模型的一个很好的例子，这使得机器学习模型能够准确地对分子进行计算，这些分子比训练数据中存在的分子大得多，大到10倍。对于标准的深度学习模型，这种外推是不可能的，因为它只学习在训练数据上进行插值。利用分子轨道的领域知识对于实现向较大分子的可转移性至关重要。

创新关键点

研究人员建立了一个图表，其中节点是电子轨道，边缘是轨道之间的相互作用。这与薛定谔方程有着更自然的联系。

创新价值

目前，OrbNet已经在大约100，000个分子上进行了训练，这使得它能够为研究人员执行许多有用的计算，且正在努力将其扩展到更大的训练数据集。

分子性质的预测有许多实际好处。例如，OrbNet可用于预测分子的结构，它们的反应方式，它们是否易溶于水，或者它们将如何与蛋白质结合。

A new quantum chemistry tool, OrbNet, can speed up quantum computation

OrbNet uses graphical neural networks, a machine learning system that represents information as "nodes," which contain data and "edges," representing the ways in which these chunks of data are related to each other.
OrbNet works well because of innovations in the way atoms and molecules map to graphical neural networks based on the Schrodinger equation, the mathematics at the heart of quantum mechanics.

Previous graph architectures organized atoms as nodes and bonds between atoms as edges, but that's not the way quantum chemistry thinks, so the researchers built a diagram in which nodes are electron orbitals and edges are interactions between orbitals. This has a more natural connection with the Schrodinger equation.

Like all machine learning systems, OrbNet requires training to perform assigned tasks, similar to the way people who get a new job need to be trained. OrbNet learned to predict molecular properties on the basis of accurate reference quantum mechanical calculations. The research focused on machine learning and he helped design and optimize the implementation of graphical neural networks.

Orbnet is a good example of a deep learning model that uses domain-specific features, which enables machine learning models to accurately compute molecules that are much larger, up to 10 times larger, than those present in the training data. This extrapolation is not possible for standard deep learning models, which only learn to interpolate on training data. Using domain knowledge of molecular orbitals is essential to achieve transferability to larger molecules.