2024年诺贝尔物理学奖和化学奖均授予了在各自研究领域发明人工智能的科学家，这从这一事实可以看出人工智能与高度复杂的科学计算之间的密切关系。韩国科学技术研究院的研究人员现在成功地通过使用一种新颖的方法来预测分布在三维空间中的原子级化学键合信息，大大缩短了高度复杂的量子力学计算机模拟的计算时间，以教授人工智能。
电气工程学院Yong-HoonKim教授团队开发了一种基于3D计算机视觉人工神经网络的计算方法，该方法绕过了使用超级计算机执行原子级量子力学计算来得出材料特性所需的复杂算法。
使用超级计算机进行量子力学中的密度泛函理论(DFT)计算已经成为先进材料和药物设计等广泛研发领域的重要标准工具，因为它们可以快速准确地预测量子特性。
然而，在电流密度泛函理论(DFT)计算中，产生三维电子密度和求解量子力学方程的复杂自洽场(SCF)过程必须重复数十至数百次，这限制了它只能应用于数百或数千个原子。
金永勋教授的研究团队思考，能否利用最近飞速发展的人工智能技术来避免自洽场过程。结果，他们开发了DeepSCF模型，通过计算机视觉领域的神经网络算法来学习分布在三维空间中的化学键信息，从而加速计算。
研究团队注意到，根据密度泛函理论，电子密度不仅包含电子的全部量子力学信息，而且总电子密度与组成原子的电子密度之和之差即残差电子密度还包含化学键信息，因此将其选定为机器学习的对象。
随后，该团队采用了包含多种化学键特征的有机分子数据集，并对其中包含的分子原子结构进行任意旋转和变形，以进一步提高模型的准确性和泛化性能。最终，研究团队证明了DeepSCF方法对于复杂大系统的有效性和效率。
领导这项研究的金永勋教授表示：“我们找到了一种将分布在三维空间中的量子力学化学键合信息与人工神经网络对应起来的方法。由于量子力学电子结构计算是全尺度材料性质模拟的基础，我们建立了通过人工智能加速材料计算的总体基本原理。”