Neue Studie von KI-Forschern löst Schrödinger-Gleichung

Eine kürzlich im Journal Nature Chemistry veröffentlichte Studie beschreibt das Ergebnis einer Forschung, die darauf abzielte, den Grundzustand der Schrödinger-Gleichung in der Quantenchemie zu berechnen. Das Problem wurde mit Hilfe von künstlicher Intelligenz-Techniken gelöst, und der Erfolg der Studie hat weitreichende Auswirkungen auf die Quantenchemie.

Die Schrödinger-Gleichung

Die aktuelle Methode zur Bestimmung der chemischen Eigenschaften eines Moleküls basiert auf langsamen, ressourcenintensiven und mühsamen Laborversuchen. Im Gegensatz dazu versucht die Quantenchemie, die physikalischen und chemischen Eigenschaften von Molekülen vorherzusagen, indem sie sich nur auf die Anordnung der Atome in einem 3D-Raum verlässt. Um die molekularen Eigenschaften plausibel zu bestimmen, muss die Schrödinger-Gleichung gelöst werden. Die Schrödinger-Gleichung spielt die gleiche Rolle wie die Erhaltung der Energie und die Newtonschen Gesetze in der klassischen Mechanik, sie sagt voraus, wie ein System in der Zukunft verhalten wird. Die Schrödinger-Gleichung wird in Form einer Wellenfunktion ausgedrückt, die genau die Wahrscheinlichkeit eines Ergebnisses oder Ereignisses vorhersagt. Bisher war es sehr schwierig, die Schrödinger-Gleichung zu lösen.

Um die Schrödinger-Gleichung zu lösen, mussten die Forscher eine Wellenfunktion korrekt modellieren, ein mathematisches Objekt, das in der Lage ist, das Verhalten von Elektronen in einem Molekül zu spezifizieren. Wellenfunktionen sind hochdimensionale Entitäten, und daher ist es sehr schwierig, die Beziehungen zwischen Elektronen zu kodieren. Einige Quantenchemie-Techniken kümmern sich nicht um die Kodierung einer Wellenfunktion, sondern konzentrieren sich stattdessen auf die Bestimmung der Energie eines Zielmoleküls. Allerdings ist eine Approximation erforderlich, wenn man sich nur auf die Energie eines Moleküls konzentriert, und diese Schätzung begrenzt, wie nützlich die Vorhersagen sein können.

Es gibt andere Techniken, die Quantenchemiker verwenden können, um eine Wellenfunktion darzustellen, aber sie sind im Grunde genommen zu unpraktisch, um für die Berechnung der Wellenfunktion von einigen Atomen nützlich zu sein.

“Quantum Monte Carlo”-Ansatz mit Deep-Learning-Netzwerken

Laut Phys.org konnten Forscher der Freien Universität Berlin die Schrödinger-Gleichung mit Hilfe von Deep-Learning-Techniken lösen. Das Forschungsteam wandte einen “Quantum Monte Carlo”-Ansatz an, der eine hohe Genauigkeit bei moderatem Rechenaufwand bietet. Die Forscher verwendeten Deep-Learning-Netzwerke, um die Wellenfunktion für Elektronen darzustellen. Professor Franke Noe war der Leiter der Studie, und Noe erklärte, dass das neuronale Netzwerk so konzipiert wurde, dass es die komplexen Muster im Zusammenhang mit der Verteilung von Elektronen um die Atomkerne lernen kann.

Um die Forscher effektiv Deep-Learning-Netzwerke verwenden zu können, um die Muster hinter den Elektronen zu lernen, mussten sie die richtige Netzwerktopologie erstellen. Elektronische Wellenfunktionen haben eine Eigenschaft, die als Antisymmetrie bekannt ist. Wenn zwei Elektronen ausgetauscht werden, muss das Vorzeichen der Wellenfunktion wechseln. Diese besondere Eigenschaft musste berücksichtigt und in die Netzwerktopologie integriert werden. Das Netzwerk wurde “PauliNet” genannt, nach dem “Pauli-Ausschlussprinzip”. Dieses Prinzip besagt, dass zwei oder mehr identische Fermionen nicht im gleichen Quantenzustand innerhalb eines Quantensystems existieren können.

PauliNet musste auch andere physikalische Eigenschaften der elektronischen Wellenfunktionen in das Netzwerk integrieren. Anstatt dem Netzwerk zu erlauben, Entscheidungen nur durch Beobachtung von Daten zu treffen, musste das Netzwerk die Eigenschaften der Wellenfunktion berücksichtigen, wie Noe über Phys.org erklärte.

“Die Einbeziehung der fundamentalen Physik in die KI ist für ihre Fähigkeit, bedeutungsvolle Vorhersagen im Bereich zu treffen, von entscheidender Bedeutung”, sagte Noe. “Dies ist wirklich der Bereich, in dem Wissenschaftler einen wesentlichen Beitrag zur KI leisten können, und genau darauf konzentriert sich meine Gruppe.”

Das Forschungsteam muss noch weitere Experimente durchführen, um den Ansatz zu verfeinern, bevor das Modell bereit ist, außerhalb des Labors angewendet zu werden. Allerdings könnte die Methode, sobald sie für industrielle Anwendungen bereit ist, in einer Vielzahl von verschiedenen Bereichen eingesetzt werden. Materialwissenschaftler könnten den Algorithmus verwenden, um neue Metamaterialien zu erstellen, und die Pharmaindustrie könnte ihn verwenden, um neue Arten von Medikamenten zu synthetisieren.