微软发布了两项新功能，旨在提高化学和材料科学研究的效率和可访问性。这些更新符合公司利用人工智能、量子计算和云高性能计算 (HPC) 推动全球科学进步的总体使命。

微软及其合作伙伴正致力于提供一种量子超级计算机，能够在量子水平上模拟分子和原子的相互作用。

量子专家一直在争论几个重要问题：量子计算在完全开发之前可以使用吗？量子计算和人工智能可以进行可扩展的整合吗？这些新机器首先将掌握哪些任务？

微软 Azure Quantum Elements 产品负责人 Nathan Baker 博士在微软 Azure Quantum 博客上发表文章，介绍了该公司的最新进展。微软已经发布了对其 Azure Quantum Elements 平台的重大更新，试图回答所有这三个问题。该公司还通过将生成式 AI 纳入科学团队可用的工具组合中，为其增添了新的内容。

具体来说，微软正在发布两项新功能——生成式化学和加速 DFT——以提高化学和材料科学研究的效率和可访问性，使科学家能够更有效地发现和分析分子化合物以及进行其他研究。该公司补充说，其先进的量子计算能力将被整合到其平台中。

总的来说，这篇博客文章表明，这些更新符合公司利用人工智能、量子计算和云高性能计算 (HPC) 推动全球科学进步的总体使命。根据这篇博客文章，最终，这些努力正在为未来的量子超级计算机奠定基础，这将解锁以前由于计算限制而隐藏的发现。

正如 Baker 所写：“人工智能和量子计算的进步有可能帮助研究人员解决全球性的科学挑战。未来，我们计划提供一种量子超级计算机，可以在量子水平上模拟分子和原子的相互作用，这是传统计算机无法企及的。预计这种能力将改变许多行业的研究和创新。”

虽然这是最终的愿景，但重要的是要注意，该公司及其合作伙伴并没有坐等量子超级计算机的出现——他们相信量子计算今天就可以开始兑现其解决计算难题的承诺。

**发现的过程——以及痛苦**

化学面临的最大挑战之一是缩小潜在分子的数量，找到适合特定应用的分子。生成式化学旨在简化这一过程，并简化发现和设计新化合物的工作。

Baker 在博客中写道：“目前已知的分子化合物和物质有数亿种，还有更多有待发现。在化学领域，一个主要的挑战是将数量庞大的候选分子缩小到最适合特定应用的少数几种。这种挑战导致了路灯效应，即当可能性的数量被减少到一个合理的规模时，不是基于化合物的性质，而是只关注那些以前研究过的化合物。”

Baker 补充说，传统方法严重依赖于已知化合物的数据库，限制了发现的范围。然而，生成式化学使用生成式 AI 来探索更广泛的潜在分子，包括以前未知的分子。

他写道：“生成式 AI 有助于揭示估计 10^60 种可能的原子组合中更大的一部分，以便向科学家展示可能服务于预期目的的新型候选分子。”

**几天内完成以前需要几个月的工作**

该公司解释说，分子发现过程涉及几个步骤。

首先，科学家提供所需的分子特性和任何参考分子。然后，系统从数据集中生成种子分子，这些种子分子用于启动 AI 驱动的候选分子生成。使用基于 AI 的模型对这些候选分子进行筛选，以预测其性质，如沸点、密度和溶解度。反馈回路会改进选择，并预测合成途径，以评估实验室创建的可行性。最后一步涉及 HPC 模拟，以评估电子特性，将范围缩小到最有希望的候选分子。

微软报告说，整个过程以前需要几个月甚至几年的时间，现在可以在几天内完成。预计这种效率将加速制药和可持续材料等领域的进步。

**加速 DFT：加快量子力学模拟**

密度泛函理论 (DFT) 是计算化学的基石。DFT 是一种计算量子力学建模方法，用于研究原子、分子和凝聚态物质的电子结构。它利用量子力学的原理来预测诸如能级、电子密度和分子轨道等性质。除了化学之外，它在物理和材料科学等领域也很重要，特别是对于理解和设计新材料而言。