Nová studie od výzkumníků AI řeší Schrodingerovu rovnici

Nedávná studie publikováno v časopise Přírodní chemie podrobně popisuje výsledek výzkumu určeného k výpočtu základního stavu Schrödinger rovnice v kvantové chemii. Problém byl vyřešen použitím technik umělé inteligence a úspěch studie má hlavní důsledky pro kvantovou chemii.

Schrödingerova rovnice

Současný způsob určování chemických vlastností molekuly se opírá o pomalé, na zdroje náročné a pečlivé laboratorní experimenty. Naproti tomu kvantová chemie se snaží předpovídat fyzikální a chemické vlastnosti molekul a spoléhá se pouze na uspořádání atomů v 3D prostoru. Aby kvantová chemie mohla věrohodně určit molekulární vlastnosti, je třeba vyřešit Schrödingerovu rovnici. Schrödingerova rovnice hraje stejnou roli jako zachování energie a Newtonovy zákony v klasické mechanice, předpovídá, jak se systém bude chovat v budoucnu. Schrödingerova rovnice je vyjádřena pomocí vlnové funkce, která přesně předpovídá pravděpodobnost výsledku nebo události. Až dosud se řešení Schrödingerovy rovnice ukázalo jako nesmírně obtížné.

Aby bylo možné vyřešit Schrödingerovu rovnici, potřebovali vědci správně modelovat vlnovou funkci, matematický objekt schopný specifikovat chování elektronů v molekule. Vlnové funkce jsou vysokorozměrné entity a v důsledku toho je neuvěřitelně obtížné zakódovat vztahy mezi elektrony. Některé techniky kvantové chemie se neobtěžují s kódováním vlnové funkce, místo toho se zaměřují na určení energie cílové molekuly. Při zaměření pouze na energii molekuly je však potřeba aproximace a tento odhad omezuje, jak užitečné mohou být předpovědi.

I když existují další techniky, které mohou kvantoví chemici použít k reprezentaci vlnové funkce, jsou v podstatě příliš nepraktické na to, aby byly užitečné pro výpočet vlnové funkce několika atomů.

Přístup „Quantum Monte Carlo“ s hlubokými neuronovými sítěmi

Podle Phys.orgVědcům z Freie Universitat Berlin se podařilo vyřešit Schrödingerovu rovnici pomocí technik hlubokého učení. Výzkumný tým se obrátil na přístup „Quantum Monte Carlo“, který nabízí vysokou přesnost při skromných výpočetních nákladech. Výzkumníci použili hluboké neuronové sítě k reprezentaci vlnové funkce pro elektrony. Profesor Franke Noe byl vedoucím výzkumníkem studie a Noe vysvětlil, že neuronová síť byla navržena tak, aby se naučila složité vzorce týkající se toho, jak jsou elektrony distribuovány kolem jader atomu.

Aby vědci mohli efektivně využívat hluboké neuronové sítě k učení vzorů za elektrony, potřebovali vytvořit správnou síťovou architekturu. Elektronické vlnové funkce mají vlastnost známou jako antisymetrie. Kdykoli dojde k výměně dvou elektronů, musí se změnit znaménko vlnové funkce. S tímto zvláštním vtipem bylo nutné počítat a vlastnost zapéct do síťové architektury. Síť byla pojmenována „PauliNet“ podle „Pauliho principu vyloučení“. Tento princip říká, že dva nebo více identických fermionů nemůže existovat ve stejném kvantovém stavu současně v rámci kvantového systému.

PauliNet také musel do sítě integrovat další fyzikální vlastnosti elektronických vlnových funkcí. Namísto toho, aby síť umožnila rozhodnout se pouze na základě pozorování dat, musela síť vzít v úvahu vlastnosti vlnové funkce, jak vysvětlil Noe prostřednictvím Phys.org.

"Zabudování základní fyziky do umělé inteligence je nezbytné pro její schopnost vytvářet smysluplné předpovědi v terénu," řekl Noe. „To je skutečně místo, kde vědci mohou významně přispět k umělé inteligenci a přesně to, na co se moje skupina zaměřuje.

Výzkumný tým stále potřebuje provést další experimenty a vylepšit svůj přístup, než bude model připraven k použití mimo laboratoř. Jakmile je však metoda připravena pro průmyslové aplikace, mohla by být použita v mnoha různých oblastech. Materiáloví vědci by tento algoritmus mohli použít k vytvoření nových metamateriálů a farmaceutický průmysl by jej mohl použít k syntéze nových druhů léků.