Une nouvelle étude de chercheurs en IA résout l'équation de Schrödinger

Une étude récemment publié dans la revue Nature Chemistry détaille les résultats des recherches destinées à calculer l'état fondamental de le Schrödinger équation en chimie quantique. Le problème a été résolu grâce à l'application de techniques d'intelligence artificielle, et le succès de l'étude a des implications majeures pour la chimie quantique.

L'équation de Schrödinger

La méthode actuelle de détermination des propriétés chimiques d'une molécule repose sur des expériences de laboratoire lentes, gourmandes en ressources et laborieuses. En revanche, la chimie quantique s'efforce de prédire les propriétés physiques et chimiques des molécules, en s'appuyant uniquement sur l'arrangement des atomes dans un espace 3D. Pour que la chimie quantique détermine de manière plausible les propriétés moléculaires, l'équation de Schrödinger doit être résolue. L'équation de Schrödinger joue le même rôle que la conservation de l'énergie et les lois de Newton jouent en mécanique classique, elle prédit comment un système se comportera dans le futur. L'équation de Schrödinger est exprimée en termes de fonction d'onde qui prédit avec précision la probabilité d'un résultat ou d'un événement. Jusqu'à présent, la résolution de l'équation de Schrödinger s'est avérée extrêmement difficile.

Pour résoudre l'équation de Schrödinger, les chercheurs devaient modéliser correctement une fonction d'onde, un objet mathématique capable de spécifier les comportements des électrons dans une molécule. Les fonctions d'onde sont des entités de grande dimension et, par conséquent, il est incroyablement difficile d'encoder les relations entre les électrons. Certaines techniques de chimie quantique ne se soucient pas de coder une fonction d'onde, se concentrant plutôt sur la détermination de l'énergie d'une molécule cible. Cependant, une approximation est nécessaire lorsque l'on se concentre uniquement sur l'énergie d'une molécule, et cette estimation limite l'utilité des prédictions.

Bien qu'il existe d'autres techniques que les chimistes quantiques peuvent utiliser pour représenter une fonction d'onde, elles sont essentiellement trop peu pratiques pour être utiles pour calculer la fonction d'onde de quelques atomes.

Approche "Quantum Monte Carlo" avec les réseaux de neurones profonds

Selon Phys.org, des chercheurs de la Freie Universitat Berlin ont réussi à résoudre l'équation de Schrödinger à l'aide de techniques d'apprentissage en profondeur. L'équipe de recherche s'est tournée vers une approche « Quantum Monte Carlo », qui offre une grande précision à un coût de calcul modeste. Les chercheurs ont utilisé des réseaux de neurones profonds pour représenter la fonction d'onde des électrons. Le professeur Franke Noe était le chercheur principal de l'étude, et Noe a expliqué que le réseau neuronal a été conçu pour apprendre les modèles complexes concernant la façon dont les électrons sont distribués autour des noyaux d'un atome.

Pour que les chercheurs puissent utiliser efficacement les réseaux de neurones profonds pour apprendre les modèles derrière les électrons, ils devaient créer la bonne architecture de réseau. Les fonctions d'onde électroniques ont une propriété connue sous le nom d'antisymétrie. Chaque fois que deux électrons sont échangés, le signe de la fonction d'onde doit changer. Cette bizarrerie particulière devait être prise en compte et la propriété intégrée à l'architecture du réseau. Le réseau a été nommé "PauliNet", tirant son nom du "principe d'exclusion de Pauli". Ce principe stipule que deux ou plusieurs fermions identiques ne peuvent pas exister dans le même état quantique en même temps dans un système quantique.

PauliNet devait également intégrer d'autres propriétés physiques des fonctions d'ondes électroniques dans le réseau. Au lieu de permettre au réseau de prendre une décision uniquement à partir des données d'observation, le réseau devait prendre en compte les propriétés de la fonction d'onde, comme l'a expliqué Noe via Phys.org.

"L'intégration de la physique fondamentale dans l'IA est essentielle pour sa capacité à faire des prédictions significatives sur le terrain", a déclaré Noe. "C'est vraiment là que les scientifiques peuvent apporter une contribution substantielle à l'IA, et c'est exactement ce sur quoi mon groupe se concentre.

L'équipe de recherche doit encore mener d'autres expériences, affiner son approche avant que le modèle ne soit prêt à être appliqué en dehors du laboratoire. Cependant, une fois que la méthode est prête pour des applications industrielles, elle pourrait être utilisée dans une variété de domaines différents. Les scientifiques des matériaux pourraient utiliser l'algorithme pour aider à créer de nouveaux métamatériaux, et l'industrie pharmaceutique pourrait l'utiliser pour synthétiser de nouveaux types de médicaments.