联 系 人：吉恩特客服
手 机：136-0866-9917（微信同号）
地 址：河南省洛阳市高新区火炬创业园
人工智能（AI）正在渗入科学研究的各个领域，不断帮助科学家取得新的发现。就在***近一个月，AI先后预测出真核生物蛋白质复合体的三维结构、引导数学家提出全新猜想和定理……并且多次登上***学术期刊。
就在本周，又一项由AI带来的突破出现在《科学》杂志上，DeepMind公司构建的神经网络以***的精度描述了化学反应中的电子相互作用。
这个名为DeepMind 21的AI工具，解决的是一个与密度泛函理论（density functional theory，DFT）相关的关键问题。DFT于上世纪60年代被提出，描述的是电子密度与相互作用能量之间的映射。现在，DFT已经成为预测电子相互作用性质的主要手段，在化学、生物学和材料科学领域发挥着重要作用。
然而，经过半个多世纪的发展，电子密度与相互作用能量之间映射的确切本质，也就是密度泛函仍未被揭示。这也导致DFT在描述分数电子电荷以及自旋时，会受到系统性误差的干扰。
而在***新研究中，DeepMind 21很好地解决了这个问题。研究团队使用精确的化学数据和分数电子约束训练神经网络，使得DeepMind 21在学习泛函时能避免离域化误差和自旋对称性破缺这两个主要系统性误差的影响，更准确地描述种类更广泛的化学反应。
使用超过2000例化学反应对DeepMind 21进行训练之后，研究团队将其应用于实际的化学反应中。结果，DeepMind 21展现出了强大的能力：不仅能正确地描述分数电子，而且描述的精度比传统手段更高。此外，对于一些原子具有奇特性质，因而训练中未曾涉及的数据，DeepMind 21也能准确地予以描述。
该工具将向全球研究人员开源。
▲传统手段（左）与DeepMind（右）描述的电子相互作用
在同期的观点文章中，美国天普大学的量子化学家Jon Perdew教授指出，DeepMind 21的重要意义不仅体现在***终的密度泛函结果中，更是因为AI能处理分数电子和自旋问题，这些问题无法通过直接的分析手段来创建泛函。
短期而言，这项突破将使得研究者能够随时利用可获得的代码，更准确地估计密度泛函。长期而言，该研究进一步展现出深度学习对于准确模拟量子力学层面的物质的潜力，使得研究者能够借助计算机的设计，在纳米尺度继续探索材料、医学、催化等领域的重要问题。
DNA提取磁珠可以有效的从标本中提取基因组DNA、病毒DNA或游离DNA，采用化学合成的方法将四氧化三铁进行特殊的处理，使其粒径达到均一化分散，再通过特殊的材料进行官能基团（如硅羟基、羧基）的包覆。包覆官能基团后，磁珠具备了核酸吸附能力，配合核酸提取仪，可以自动化的提取DNA和RNA。
