Νέα Μελέτη από Ερευνητές του AI Λύνει την Εξίσωση Schrödinger

Μια μελέτη που δημοσιεύθηκε πρόσφατα στο περιοδικό Nature Chemistry περιγράφει το αποτέλεσμα της έρευνας που είχε ως στόχο τον υπολογισμό της θεμελιώδους κατάστασης της εξίσωσης Schrödinger (SDGR ) στη量τική χημεία. Το πρόβλημα λύθηκε με την εφαρμογή τεχνικών τεχνητής νοημοσύνης και η επιτυχία της μελέτης έχει σημαντικές επιπτώσεις για τη량τική χημεία.

Η Εξίσωση Schrödinger

Η τρέχουσα μέθοδος για τον καθορισμό των χημικών ιδιοτήτων eines μορίου βασίζεται σε αργές, πλούσιες σε πόρους, επίπονες εργαστηριακές πειράματα. Αντίθετα, η lượngτική χημεία επιδιώκει να προβλέψει τις φυσικές και χημικές ιδιότητες των μορίων, βασίζοντας się μόνο στη διάταξη των ατόμων σε ένα 3D χώρο. Για να είναι δυνατή η προβλέψη των μοριακών ιδιοτήτων από τη lượngτική χημεία, πρέπει να λυθεί η εξίσωση Schrödinger. Η εξίσωση Schrödinger παίζει τον ίδιο ρόλο που παίζουν η διατήρηση της ενέργειας και οι νόμοι του Newton στη κλασική μηχανική, προβλέπει πώς θα συμπεριφερθεί ένα σύστημα στο μέλλον. Η εξίσωση Schrödinger εκφράζεται με όρους μιας κυματικής συνάρτησης που προβλέπει ακριβώς την πιθανότητα ενός αποτελέσματος ή ενός γεγονότος. Μέχρι τώρα, η λύση της εξίσωσης Schrödinger αποδείχθηκε εξαιρετικά δύσκολη.

Για να λυθεί η εξίσωση Schrödinger, οι ερευνητές χρειάστηκαν να μοντελοποιήσουν σωστά μια κυματική συνάρτηση, ένα μαθηματικό αντικείμενο ικανό να καθορίσει τις συμπεριφορές των ηλεκτρονίων σε ένα μόριο. Οι κυματικές συνάρτησεις είναι αντικείμενα υψηλής διάστασης και ως αποτέλεσμα, είναι εξαιρετικά δύσκολο να κωδικοποιηθούν οι σχέσεις μεταξύ των ηλεκτρονίων. Ορισμένες τεχνικές της lượngτικής χημείας δεν ασχολούνται με την κωδικοποίηση μιας κυματικής συνάρτησης, εστιάζοντας αντίθετα στον καθορισμό της ενέργειας eines στόχου μορίου. Ωστόσο, μια προσέγγιση είναι απαραίτητη όταν εστιάζεται μόνο στην ενέργεια eines μορίου και αυτή η εκτίμηση περιορίζει πόσο χρήσιμες μπορούν να είναι οι προβλέψεις.

Ενώ υπάρχουν άλλες τεχνικές που οι lượngτικοί χημικοί μπορούν να χρησιμοποιήσουν για να αναπαραστήσουν μια κυματική συνάρτηση, είναι ουσιαστικά quá απρακτικές για να είναι χρήσιμες για τον υπολογισμό της κυματικής συνάρτησης quelques ατόμων.

“Quantum Monte Carlo” Προσέγγιση με Βαθιά Νευρωνικά Δίκτυα

Σύμφωνα με το Phys.org, ερευνητές από το Freie Universitat Berlin κατάφεραν να λύσουν την εξίσωση Schrödinger με τη βοήθεια τεχνικών βαθιάς μάθησης. Η ερευνητική ομάδα στράφηκε σε μια “Quantum Monte Carlo” προσέγγιση, η οποία προσφέρει υψηλή ακρίβεια με einen μέτριο υπολογιστικό κόστος. Οι ερευνητές χρησιμοποίησαν βαθιά νευρωνικά δίκτυα για να αναπαραστήσουν την κυματική συνάρτηση για τα ηλεκτρόνια. Ο καθηγητής Franke Noe ήταν ο επικεφαλής ερευνητής της μελέτης και ο Noe εξήγησε ότι το νευρωνικό δίκτυο σχεδιάστηκε για να μάθει τις σύνθετες σχέσεις σχετικά με τον τρόπο που τα ηλεκτρόνια διανέμονται γύρω από τα πυρήνα eines ατόμου.

Για να μπορέσουν οι ερευνητές να χρησιμοποιήσουν αποτελεσματικά τα βαθιά νευρωνικά δίκτυα για να μάθουν τις σχέσεις πίσω από τα ηλεκτρόνια, χρειάστηκαν να δημιουργήσουν τη σωστή αρχιτεκτονική του δικτύου. Οι ηλεκτρονικές κυματικές συνάρτησεις έχουν μια ιδιότητα που ονομάζεται αντισυμμετρία. Όταν δύο ηλεκτρόνια ανταλλάσσονται, το σημείο της κυματικής συνάρτησης πρέπει να αλλάξει. Αυτή η ιδιότητα έπρεπε να ληφθεί υπόψη και να ενσωματωθεί στην αρχιτεκτονική του δικτύου. Το δίκτυο ονομάστηκε “PauliNet”, λαμβάνοντας το όνομά του από το “Pauli exclusion principle”. Αυτό το principio δηλώνει ότι δύο ή περισσότερα ταυτόσημα φερμιόνια δεν μπορούν να υπάρχουν στην ίδια κβαντική κατάσταση την ίδια στιγμή σε ένα κβαντικό σύστημα.

Το PauliNet έπρεπε επίσης να ενσωματώσει άλλες φυσικές ιδιότητες των ηλεκτρονικών κυματικών συναρτήσεων στο δίκτυο. Αντί να επιτρέψει στο δίκτυο να φθάσει σε μια απόφαση μόνο από την παρατήρηση των δεδομένων, το δίκτυο έπρεπε να λάβει υπόψη τις ιδιότητες της κυματικής συνάρτησης, όπως εξήγησε ο Noe μέσω του Phys.org.

“Η ενσωμάτωση της θεμελιώδους φυσικής στη τεχνητή νοημοσύνη είναι απαραίτητη για την ικανότητά της να κάνει σημαντικές προβλέψεις στο πεδίο”, είπε ο Noe. “Αυτό είναι πραγματικά εκεί όπου οι επιστήμονες μπορούν να κάνουν μια σημαντική συνεισφορά στην τεχνητή νοημοσύνη και ακριβώς σε αυτό που επικεντρώνεται η ομάδα μου.

Η ερευνητική ομάδα χρειάζεται ακόμη να διεξάγει περισσότερα πειράματα, βελτιώνοντας την προσέγγισή τους πριν το μοντέλο είναι έτοιμο να εφαρμοστεί έξω από το εργαστήριο. Ωστόσο, μια φορά που η μέθοδος είναι έτοιμη για βιομηχανικές εφαρμογές, θα μπορούσε να χρησιμοποιηθεί σε eine ποικιλία διαφορετικών πεδίων. Οι ερευνητές των υλικών θα μπορούσαν να χρησιμοποιήσουν τον αλγόριθμο για να βοηθήσουν στη δημιουργία νέων μεταϋλικών και η φαρμακευτική βιομηχανία θα μπορούσε να το χρησιμοποιήσει για τη σύνθεση νέων ειδών φαρμάκων.