Nouvelle étude des chercheurs en IA résout l’équation de Schrödinger

Une étude récemment publiée dans la revue Nature Chemistry détaille les résultats de la recherche visant à calculer l’état fondamental de l’équation de Schrödinger (SDGR ) en chimie quantique. Le problème a été résolu en appliquant des 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, coûteuses et fastidieuses. En revanche, la chimie quantique tente de prédire les propriétés physiques et chimiques des molécules en se basant uniquement sur l’arrangement des atomes dans un espace 3D. Pour que la chimie quantique puisse déterminer 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 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, résoudre l’équation de Schrödinger s’est avéré 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 à haute dimension, et en conséquence, il est extrêmement difficile de coder 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 lorsqu’on se concentre uniquement sur l’énergie d’une molécule, et cette estimation limite la précision des prédictions.

Il existe d’autres techniques que les chimistes quantiques peuvent utiliser pour représenter une fonction d’onde, mais elles sont essentiellement trop impraticables pour être utiles pour calculer la fonction d’onde de quelques atomes.

Approche “Quantum Monte Carlo” avec des réseaux de neurones profonds

Selon Phys.org, des chercheurs de l’Université libre de Berlin ont réussi à résoudre l’équation de Schrödinger avec l’aide de techniques d’apprentissage profond. L’équipe de recherche a utilisé une approche “Quantum Monte Carlo” qui offre une grande précision à un coût computationnel 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 de neurones a été conçu pour apprendre les modèles complexes de la distribution des électrons autour des noyaux d’un atome.

Pour que les chercheurs puissent utiliser efficacement des réseaux de neurones profonds pour apprendre les modèles derrière les électrons, ils devaient créer l’architecture de réseau appropriée. Les fonctions d’onde électroniques ont une propriété appelée antisymétrie. Lorsque deux électrons sont échangés, le signe de la fonction d’onde doit changer. Cette particularité devait être prise en compte et cette propriété intégrée dans l’architecture du réseau. Le réseau a été nommé “PauliNet”, en référence au “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’onde électroniques dans le réseau. Au lieu de laisser le réseau prendre des décisions uniquement en observant les données, le réseau devait prendre en compte les propriétés de la fonction d’onde, comme l’a expliqué Noe via Phys.org.

“Intégrer la physique fondamentale dans l’IA est essentiel pour sa capacité à faire des prédictions significatives dans le domaine”, a déclaré Noe. “C’est vraiment où les scientifiques peuvent apporter une contribution substantielle à l’IA, et exactement ce sur quoi mon groupe se concentre.

L’équipe de recherche doit encore mener plus d’expériences, affiner leur approche avant que le modèle soit prêt à être appliqué en dehors du laboratoire. Cependant, une fois la méthode prête pour les 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 matériaux métamorphes, et l’industrie pharmaceutique pourrait l’utiliser pour synthétiser de nouveaux types de médicaments.

Le modèle est prêt à être appliqué en dehors du laboratoire. Cependant, une fois la méthode prête pour les 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 matériaux métamorphes, et l’industrie pharmaceutique pourrait l’utiliser pour synthétiser de nouveaux types de médicaments.