מחקר חדש מחוקרי AI פותר את משוואת שרדינגר

מחקר שפורסם לאחרונה בכתב העת Nature Chemistry מפרט את תוצאות המחקר שנועד לחשב את מצב היסוד של משוואת שרדינגר בכימיה קוונטית. הבעיה נפתרה עם יישום טכניקות בינה מלאכותית, והצלחת המחקר מחזיקה משמעויות גדולות עבור כימיה קוונטית.

משוואת שרדינגר

שיטת הקביעה הנוכחית של תכונות כימיות של מולקולה מסתמכת על ניסויים מעבדתיים איטיים, רעיוניים ומפרכים. לעומת זאת, כימיה קוונטית מנסה לחזות את התכונות הפיזיקליות והכימיות של מולקולות, בהסתמך רק על הסידור של אטומים בתוך מרחב תלת-ממדי. על מנת שכימיה קוונטית תוכל לקבוע באופן מושכל תכונות מולקולריות, יש לפתור את משוואת שרדינגר. משוואת שרדינגר ממלאת את אותו התפקיד שמשוואת שימור האנרגיה וחוקי ניוטון ממלאים במכניקה קלאסית, היא חוזה כיצד מערכת תתנהג בעתיד. משוואת שרדינגר מבוטאת במונחים של פונקציית גל שחוזה בדיוק את ההסתברות של תוצאה או אירוע. עד עכשיו, פתרון משוואת שרדינגר הוכח כקשה מאוד.

כדי לפתור את משוואת שרדינגר, החוקרים צריכים לדגמן פונקציית גל בצורה נכונה, עצם מתמטי המסוגל לקבוע את התנהגויות האלקטרונים במולקולה. פונקציות גל הן ישויות בעלות ממדים גבוהים, ובשל כך, זה קשה מאוד לקודד את היחסים בין האלקטרונים. כמה טכניקות כימיה קוונטית אינן מתרכזות בקידוד פונקציית גל, אלא מתרכזות בקביעת האנרגיה של מולקולת היעד. עם זאת, קירוב נדרש כאשר מתמקדים רק באנרגיה של מולקולה, והערכה זו מגבילה כיצד החיזויים יכולים להיות שימושיים.

קיימות טכניקות אחרות שכימאים קוונטיים יכולים להשתמש בהן כדי לייצג פונקציית גל, אך הן בעצם לא מעשיות מספיק כדי להיות שימושיות עבור חישוב פונקציית הגל של מספר אטומים.

גישת “Quantum Monte Carlo” עם רשתות עצביות עמוקות

על פי Phys.org, חוקרים מ-Freie Universitat Berlin הצליחו לפתור את משוואת שרדינגר עם סיוע של טכניקות למידה עמוקה. צוות המחקר פנה לגישת “Quantum Monte Carlo”, שמציעה דיוק גבוה בעלות חישוב מתונה. החוקרים השתמשו ברשתות עצביות עמוקות כדי לייצג את פונקציית הגל עבור אלקטרונים. פרופסור פרנקה נו היה החוקר הראשי של המחקר, ונו הסביר כי הרשת העצבית תוכננה ללמוד את הדפוסים המורכבים באשר לאיך האלקטרונים מפוזרים סביב גרעיני האטום.

כדי שהחוקרים יוכלו להשתמש בצורה יעילה ברשתות עצביות עמוקות כדי ללמוד את הדפוסים מאחורי האלקטרונים, הם צריכים ליצור את הארכיטקטורה הרשתית הנכונה. פונקציות גל אלקטרוניות הן בעלות תכונה הידועה בשם אנטי-סימטריה. כאשר שני אלקטרונים מוחלפים, הסימן של פונקציית הגל חייב להשתנות. תכונה זו הייתה צריכה להילקח בחשבון ולהיכלל בארכיטקטורת הרשת. הרשת נקראה “PauliNet”, והיא קיבלה את שמה מ”עקרון האיסור של פאולי”. עיקרון זה קובע כי שני פרמיונים זהים או יותר לא יכולים להתקיים באותו מצב קוונטי בו-זמנית במערכת קוונטית.

PauliNet גם הייתה צריכה לשלב תכונות פיזיקליות אחרות של פונקציות גל אלקטרוניות לתוך הרשת. במקום לאפשר לרשת להגיע להחלטה רק מתוך תצפית על נתונים, הרשת הייתה צריכה לקחת בחשבון את תכונות פונקציית הגל, כפי שנו הסביר דרך Phys.org.

“בניית הפיזיקה הבסיסית לתוך ה-AI היא חיונית עבור יכולתה לעשות חיזויים משמעותיים בתחום,” אמר נו. “זהו באמת המקום בו מדענים יכולים לתרום תרומה משמעותית ל-AI, ובדיוק מה שקבוצתי מתמקדת בו.”

צוות המחקר עדיין צריך לערוך יותר ניסויים, לשפר את הגישה לפני שהמודל מוכן ליישומים תעשייתיים. עם זאת, כאשר השיטה תהיה מוכנה ליישומים תעשייתיים, היא יכולה להיעשות במגוון רחב של תחומים. מדעני חומרים יכולים להשתמש באלגוריתם כדי לעזור ליצור חומרים מטא-חדשים, ותעשיית התרופות יכולה להשתמש בו כדי לסנתז סוגים חדשים של תרופות.