在人工智能时代的计算化学实验：从量子化学到机器学习再到量子化学

计算化学是理解分子和预测化学性质的不可或缺的工具。然而，传统计算方法面临着显著挑战，主要是由于解决薛定谔方程的难度及分子系统规模增大而导致的计算成本增加。因此，利用人工智能（AI）和机器学习（ML）技术进行计算实验的兴趣激增。将AI和ML整合到计算化学中为可扩展性和加速探索化学空间提供了解决方案。然而，特别是在ML模型的可重复性和可转移性方面仍然面临挑战。本综述强调了ML在学习、补充或替代传统计算化学以预测能量和性质方面的演变。从完全基于数值数据训练的模型开始，朝着理想模型的发展，理想模型融入或学习量子力学的物理定律。通过对现有计算方法、ML模型及其相互交织的回顾，本文还勾勒出未来研究的路线图，识别改进和创新的领域。最终目标是开发能够准确预测薛定谔方程可转移解的AI架构，从而彻底改变化学和材料科学中的计算实验。