Nuovo studio dei ricercatori di intelligenza artificiale risolve l’equazione di Schrödinger

Uno studio recente pubblicato sulla rivista Nature Chemistry dettaglia il risultato di una ricerca volta a calcolare lo stato fondamentale dell’equazione di Schrödinger (SDGR ) in chimica quantistica. Il problema è stato risolto con l’applicazione di tecniche di intelligenza artificiale, e il successo dello studio ha importanti implicazioni per la chimica quantistica.

L’equazione di Schrödinger

Il metodo attuale per determinare le proprietà chimiche di una molecola si basa su esperimenti di laboratorio lenti, risorse-intensive e tediosi. Al contrario, la chimica quantistica cerca di prevedere le proprietà fisiche e chimiche delle molecole, basandosi solo sull’arrangiamento degli atomi nello spazio tridimensionale. Perché la chimica quantistica possa plausibilmente determinare le proprietà molecolari, è necessario risolvere l’equazione di Schrödinger. L’equazione di Schrödinger svolge lo stesso ruolo che la conservazione dell’energia e le leggi di Newton svolgono nella meccanica classica, predice come un sistema si comporterà in futuro. L’equazione di Schrödinger è espressa in termini di una funzione d’onda che predice con precisione la probabilità di un esito o evento. Fino ad ora, risolvere l’equazione di Schrödinger si è rivelato immensamente difficile.

Per risolvere l’equazione di Schrödinger, i ricercatori dovevano modellare correttamente una funzione d’onda, un oggetto matematico in grado di specificare il comportamento degli elettroni in una molecola. Le funzioni d’onda sono entità ad alta dimensionalità, e di conseguenza, è incredibilmente difficile codificare le relazioni tra gli elettroni. Alcune tecniche di chimica quantistica non si curano di codificare una funzione d’onda, concentrandosi invece sulla determinazione dell’energia di una molecola bersaglio. Tuttavia, è necessaria un’approssimazione quando ci si concentra solo sull’energia di una molecola, e questa stima limita quanto possono essere utili le previsioni.

Esistono altre tecniche che i chimici quantistici possono utilizzare per rappresentare una funzione d’onda, ma sono essenzialmente troppo impratiche per essere utili nel calcolo della funzione d’onda di pochi atomi.

“Approccio Quantum Monte Carlo” con reti neurali profonde

Secondo Phys.org, i ricercatori della Freie Universitat Berlin sono riusciti a risolvere l’equazione di Schrödinger con l’aiuto di tecniche di apprendimento profondo. Il team di ricerca ha adottato un approccio “Quantum Monte Carlo”, che offre un’alta accuratezza a un modesto costo computazionale. I ricercatori hanno utilizzato reti neurali profonde per rappresentare la funzione d’onda degli elettroni. Il professor Franke Noe era il ricercatore principale dello studio, e Noe ha spiegato che la rete neurale era stata progettata per apprendere i modelli complessi relativi alla distribuzione degli elettroni intorno ai nuclei di un atomo.

Per utilizzare efficacemente le reti neurali profonde per apprendere i modelli alla base degli elettroni, i ricercatori dovevano creare l’architettura di rete giusta. Le funzioni d’onda elettroniche hanno una proprietà nota come antisimmetria. Ogni volta che due elettroni vengono scambiati, il segno della funzione d’onda deve cambiare. Questa particolare peculiarità doveva essere presa in considerazione e la proprietà incorporata nell’architettura della rete. La rete è stata chiamata “PauliNet”, prendendo il nome dal “principio di esclusione di Pauli”. Questo principio afferma che due o più fermioni identici non possono esistere nello stesso stato quantico allo stesso tempo all’interno di un sistema quantistico.

PauliNet doveva anche integrare altre proprietà fisiche delle funzioni d’onda elettroniche nella rete. Invece di permettere alla rete di prendere decisioni solo osservando i dati, la rete doveva tenere conto delle proprietà della funzione d’onda, come ha spiegato Noe tramite Phys.org.

“Incorporare la fisica fondamentale nell’IA è essenziale per la sua capacità di fare previsioni significative nel campo”, ha detto Noe. “Questo è realmente dove gli scienziati possono fare un contributo sostanziale all’IA, e proprio su cui si concentra il mio gruppo.

Il team di ricerca deve ancora condurre più esperimenti, raffinando il loro approccio prima che il modello sia pronto per essere applicato al di fuori del laboratorio. Tuttavia, una volta che il metodo sarà pronto per le applicazioni industriali, potrebbe essere utilizzato in una varietà di campi diversi. I ricercatori dei materiali potrebbero utilizzare l’algoritmo per aiutare a creare nuovi materiali metamateriali, e l’industria farmaceutica potrebbe utilizzarlo per sintetizzare nuovi tipi di farmaci.

Il modello è pronto per essere applicato al di fuori del laboratorio. Tuttavia, una volta che il metodo sarà pronto per le applicazioni industriali, potrebbe essere utilizzato in una varietà di campi diversi. I ricercatori dei materiali potrebbero utilizzare l’algoritmo per aiutare a creare nuovi materiali metamateriali, e l’industria farmaceutica potrebbe utilizzarlo per sintetizzare nuovi tipi di farmaci.