networkx中求解平均度_用神经网络求解薛定谔方程，DeepMind开启量子化学新道路...

神经网络因其强大的近似拟合能力，被广泛应用在各种各样的领域。现在，量子化学也在逐渐使用神经网络进行相关的工作了。近日，DeepMind 的科学家开发了一种新的神经网络架构，可以用于近似计算薛定谔方程。这为深度学习在量子化学领域的发展奠定了基础。

选自i-programmer，作者：Lucy Black，机器之心编译，参与：熊猫、一鸣。

论文地址：https://arxiv.org/abs/1909.02487

神经网络已知最好的应用是在人工智能领域——视觉、语音和游戏，但它们在科学和工程领域也有严肃的应用。谷歌的 DeepMind 已经训练出了一个能求解薛定谔方程的神经网络。

为什么要计算薛定谔方程呢？这是因为求解薛定谔方程可以为化学反应提供线索。化学反应的结果基本上与电子以及它们环绕原子和分子的方式有关。而控制事物反应的能量以及电子在分子中的轨道的差异决定了化学物质的形状，也由此决定了其性质。计算这一能量的方式就是求解薛定谔方程。换句话说，求解出薛定谔方程，就可以知道化学反应的结果。原理上看，化学很简单。如果给定多电子薛定谔方程的准确解，几乎所有的化学反应都可以通过第一原理推导出来。只需要写下反应的薛定谔方程并求解它即可。但在实践中，这几乎是不可能的，因为多体薛定谔方程很难求解。相关化学系统的精准的波函数是遥不可及的，因为通常而言它们的计算是 NP-hard 问题，只能使用多项式缩放（polynomially-scaling）算法找到近似。事实上，我们目前可以真正求解的原子只有氢原子——带有一个质子和一个电子。其它所有原子都是通过被称为扰动技术（perturbation techniques）来近似求解的。至于分子，我们实际上还在起点上&