AI 研究者による新しい研究でシュレーディンガー方程式が解決

最近の研究 雑誌に掲載されました 自然化学 の基底状態を計算することを目的とした研究結果の詳細を示します。 シュレディンガー 方程式 量子化学で。 この問題は人工知能技術の応用によって解決され、研究の成功は量子化学に大きな意味を持っています。

シュレディンガー方程式

分子の化学的特性を決定する現在の方法は、時間がかかり、資源を大量に消費する、骨の折れる実験室実験に依存しています。 対照的に、量子化学は、3D 空間内の原子の配置のみに依存して、分子の物理的および化学的特性を予測しようと努めます。 量子化学が分子の性質をもっともらしく決定するには、シュレディンガー方程式を解く必要があります。 シュレーディンガー方程式は、古典力学におけるエネルギー保存則やニュートンの法則と同じ役割を果たし、システムが将来どのように動作するかを予測します。 シュレディンガー方程式は、結果またはイベントの確率を正確に予測する波動関数の観点から表現されます。 これまで、シュレーディンガー方程式を解くことは非常に困難であることが判明しました。

シュレディンガー方程式を解くために、研究者は、分子内の電子の挙動を指定できる数学的オブジェクトである波動関数を正しくモデル化する必要がありました。 波動関数は高次元の実体であるため、電子間の関係をエンコードすることは非常に困難です。 一部の量子化学技術では、波動関数のエンコードを気にせず、代わりにターゲット分子のエネルギーを決定することに重点を置いています。 ただし、分子のエネルギーのみに焦点を当てる場合は近似が必要となり、この推定によって予測の有用性が制限されます。

量子化学者が波動関数を表すために使用できる手法は他にもありますが、それらは本質的に非現実的すぎて、少数の原子の波動関数を計算するのには役立ちません。

ディープニューラルネットワークによる「量子モンテカルロ」アプローチ

Phys.org によると、ベルリン自由大学の研究者らは、深層学習技術の助けを借りてシュレディンガー方程式を解くことに成功しました。 研究チームは、適度な計算コストで高い精度を実現する「量子モンテカルロ」アプローチに注目しました。 研究者らはディープ ニューラル ネットワークを使用して電子の波動関数を表現しました。 Franke Noe 教授がこの研究の主任研究者であり、Noe 教授は、ニューラル ネットワークは原子核の周囲に電子がどのように分布するかに関する複雑なパターンを学習するように設計されていると説明しました。

研究者がディープ ニューラル ネットワークを効果的に使用して電子の背後にあるパターンを学習するには、適切なネットワーク アーキテクチャを作成する必要がありました。 電子の波動関数には、反対称として知られる特性があります。 XNUMX つの電子が交換されるたびに、波動関数の符号が変化する必要があります。 この特殊な性質を考慮し、その特性をネットワーク アーキテクチャに組み込む必要がありました。 このネットワークは「PauliNet」と名付けられ、その名前は「Pauli の排除原則」に由来しています。 この原理は、量子系内の同じ量子状態内に XNUMX つ以上の同一のフェルミ粒子が同時に存在できないことを示しています。

PauliNet は、電子波機能の他の物理的特性もネットワークに統合する必要がありました。 Noe 氏が Phys.org で説明したように、ネットワークはデータの観察だけから決定を下すのではなく、波動関数の特性を考慮する必要がありました。

「AI が現場で有意義な予測を行う能力には、基本的な物理学を AI に組み込むことが不可欠です」と Noe 氏は言います。 「これはまさに科学者が AI に大きく貢献できる分野であり、まさに私のグループが焦点を当てている分野です。

研究チームは、モデルを研究室外で適用できるようになる前に、さらに実験を行ってアプローチを改良する必要がある。 ただし、この方法が産業用途に向けて準備が整えば、さまざまな分野で使用できる可能性があります。 材料科学者はこのアルゴリズムを使用して新しいメタマテリアルの作成に役立てることができ、製薬業界はこのアルゴリズムを使用して新しい種類の薬剤を合成することができます。