AI 发现化学元素坐标系：基于变分自编码器的双重表征

周期表是化学元素的基本表征，发挥着重要的理论与实际作用。本研究文章讨论了基于电子构型在 2D 潜空间上无监督训练神经网络表征元素的经验。为强调元素的化学性质，电子构型的原始数据已朝向价轨道重新对齐。识别七个壳层与四个亚壳层后，输入数据被排列为 7x4 图像。潜空间表征使用卷积 beta 变分自编码器（beta-VAE）完成。尽管输入数据离散且稀疏，beta-VAE 仍解耦了不同周期、区、族与类型的元素。元素在潜空间上的无监督表征揭示了周期与元素的成对对称性，这些对称性与相应元素量子数的不变性相关。此外，它隔离出的异常值正是已知的镧系与锕系元素违反马德隆规则的案例。考虑到 beta-VAE 的生成能力，设置了监督机器学习以探究是否存在区分真实元素与解码人工元素的电子构型的深刻模式。文章还探讨了自编码器的双重表征能力。传统上，自编码器在潜空间上表征输入数据的观测值。通过转置并复制原始输入数据，可在潜空间上表征变量，从而发现输入变量间有意义模式。将该无监督学习应用于电子构型的转置数据，编码器在潜空间上排列的输入变量顺序被证明与马德隆规则序列精确匹配。