人工智能辅助减少计算量是否是未来趋势？

qingmang

看到一个刚发表的社论（在附件中第二段），第二段讲到 计算化学庞大的数据集为机器学习模型铺平了道路，现在有人利用机器学习模型绕过耗时的DFT方法，不知道有没有人知道具体实例，机器学习简化的方法能否推广？这样的发展会不会造成有些未知且特别的结构被现有认知“隐藏”？

wzkchem5

可以看一下这篇文章的图3：https://onlinelibrary.wiley.com/doi/10.1002/qua.26381
一个计算方法计算出来的构象相对能量与真实构象能量之间的相关性（以R^2衡量），和计算时间的对数成非常好的线性关系。这个规律适用于分子力学、半经验、DFT、MP2，也适用于机器学习方法。所有点都在同一条直线上。
我觉得这个图非常impressive，充分说明天下没有免费的午餐。要拿到一定的精度，需要付出的计算量是相对固定的，不管你用的是DFT、半经验还是机器学习。当然如果机器学习的测试集和训练集极其相似，那机器学习用半经验的时间达到chemical accuracy是很容易的，比如sample一个势能面，用DFT做几千个点，训练一个机器学习模型，再用这个模型快速产生几十万个点，这个情景下机器学习是有真正的benefit的。

sobereva

适合用的地方能产生一定实际价值，但普适性很有限，局限性极大，勿高估，勿跟风，更切勿妄想成DFT的替代品