【MIT团队用AI和量子技术预测分子特性，分析结果与实验数据高度一致】
在材料设计的早期阶段，这项任务极为繁重。研究人员曾花费上千年时间，通过混合铅、汞和硫等物质，并尝试以他们认为最佳的比例来制造黄金。即使是像布拉赫、波义耳和牛顿这样的著名科学家也曾参与过这种被称为“炼金术”的徒劳尝试。
当然， #材料科学# 如今已经取得了长足的进步。在过去的 150 年里，借助元素周期表，研究人员认识到不同元素具有独特的性质，而且一种元素不可能通过魔法般的方式转变成另一种。此外，近十年来， #机器学习# 工具极大地提升了我们确定各种分子和物质结构及物理性质的能力。
近期，由 #麻省理工学院# 材料科学与工程系李巨教授领导的一个小组的新研究有望在促进材料设计的能力方面实现重大飞跃，他们的研究成果已经发表在 Nature Computational Science 上。
目前，大多数用于表征分子系统的机器学习模型都依赖于密度泛函理论（DFT），这种理论是一种量子力学方法，通过研究电子密度分布来确定分子或晶体的总能量。
戳链接查看详情：
网页链接
在材料设计的早期阶段，这项任务极为繁重。研究人员曾花费上千年时间，通过混合铅、汞和硫等物质，并尝试以他们认为最佳的比例来制造黄金。即使是像布拉赫、波义耳和牛顿这样的著名科学家也曾参与过这种被称为“炼金术”的徒劳尝试。
当然， #材料科学# 如今已经取得了长足的进步。在过去的 150 年里，借助元素周期表，研究人员认识到不同元素具有独特的性质，而且一种元素不可能通过魔法般的方式转变成另一种。此外，近十年来， #机器学习# 工具极大地提升了我们确定各种分子和物质结构及物理性质的能力。
近期，由 #麻省理工学院# 材料科学与工程系李巨教授领导的一个小组的新研究有望在促进材料设计的能力方面实现重大飞跃，他们的研究成果已经发表在 Nature Computational Science 上。
目前，大多数用于表征分子系统的机器学习模型都依赖于密度泛函理论（DFT），这种理论是一种量子力学方法，通过研究电子密度分布来确定分子或晶体的总能量。
戳链接查看详情：
网页链接
