Nová studie od výzkumníků umělé inteligence řeší Schrödingerovu rovnici

Studie nedávno publikovaná v časopise Nature Chemistry detailně popisuje výsledek výzkumu, jehož cílem bylo vypočítat základní stav Schrödingerovy rovnice v kvantové chemii. Problém byl vyřešen pomocí aplikací technik umělé inteligence a úspěch studie má významné důsledky pro kvantovou chemii.

Schrödingerova rovnice

Současná metoda určování chemických vlastností molekuly závisí na pomalých, náročných a časově náročných laboratorních experimentech. Naopak, kvantová chemie se snaží předpovědět fyzikální a chemické vlastnosti molekul, přičemž se spoléhá pouze na uspořádání atomů v trojrozměrném prostoru. Aby kvantová chemie mohla spolehlivě určit molekulární vlastnosti, je nutné řešit Schrödingerovu rovnici. Schrödingerova rovnice hraje stejnou roli jako zákon zachování energie a Newtonovy zákony v klasické mechanice, předpovídá, jak se systém bude chovat v budoucnosti. Schrödingerova rovnice je vyjádřena pomocí vlnové funkce, která přesně předpovídá pravděpodobnost výsledku nebo události. Do teď se ukázalo, že řešení Schrödingerovy rovnice je nesmírně obtížné.

Pro řešení Schrödingerovy rovnice museli výzkumníci správně modelovat vlnovou funkci, matematický objekt, který může specifikovat chování elektronů v molekule. Vlnové funkce jsou high-dimensionalní entity a v důsledku toho je nesmírně obtížné zakódovat vztahy mezi elektrony. Některé kvantové chemické techniky se nezabývají zakódováním vlnové funkce, ale místo toho se zaměřují na určení energie cílové molekuly. Nicméně, aproximace je potřebná, když se zaměřujete pouze na energii molekuly, a tato odhadnutá hodnota omezuje, jak užitečné předpovědi mohou být.

Zatímco existují jiné techniky, které kvantoví chemici mohou použít k reprezentaci vlnové funkce, jsou prakticky příliš nepraktické, aby byly užitečné pro výpočet vlnové funkce několika atomů.

“Kvantový Monte Carlo” přístup s hlubokými neuronovými sítěmi

Podle Phys.org výzkumníci z Freie Universitat Berlin podařilo řešit Schrödingerovu rovnici s pomocí technik hlubokého učení. Výzkumný tým použil “Kvantový Monte Carlo” přístup, který nabízí vysokou přesnost při rozumné výpočetní nákladnosti. 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 komplexní vzorce týkající se distribuce elektronů kolem atomových jader.

Pro efektivní použití hlubokých neuronových sítí k naučení vzorců za elektronovými chováními museli výzkumníci vytvořit správnou síťovou architekturu. Elektronové vlnové funkce mají vlastnost známou jako antisymetrie. Když jsou dva elektrony vyměněny, musí se změnit znaménko vlnové funkce. Tato konkrétní vlastnost musela být zohledněna a vlastnost byla integrována do síťové architektury. Síť byla nazvána “PauliNet”, podle “Pauliho vylučovacího principu”. Tento princip stanoví, že dvě nebo více identických fermionů nemohou existovat ve stejném kvantovém stavu ve stejnou dobu v kvantovém systému.

PauliNet také musel integrovat další fyzikální vlastnosti elektronových vlnových funkcí do sítě. Místo toho, aby síť přišla k rozhodnutí pouze na základě pozorování dat, musela síť vzít v úvahu vlastnosti vlnové funkce, jak vysvětlil Noe prostřednictvím Phys.org.

“Integrace základních fyzikálních principů do umělé inteligence je nezbytná pro její schopnost dělat smysluplné předpovědi v oboru,” řekl Noe. “To je skutečně místo, kde mohou vědci udělat podstatný příspěvek k umělé inteligenci, a přesně to, na čem se moje skupina zaměřuje.

Výzkumný tým stále potřebuje provést další experimenty, aby upravil svůj přístup, než bude model připraven k použití mimo laboratoř. Nicméně, jakmile bude metoda připravena pro průmyslové aplikace, může být použita v různých oblastech. Vědci z oblasti materiálů mohou použít algoritmus k pomoci vytvořit nové metamateriály a farmaceutický průmysl může použít jej k syntéze nových druhů léků.