新しい研究：AI 研究者がシュレーディンガー方程式を解く

近頃、Nature Chemistry誌に掲載された研究では、シュレーディンガー方程式の基底状態を計算するために行われた研究の結果が発表された。この問題は、人工知能技術の応用によって解決された。この研究の成功は、量子化学分野に大きな影響を与えるものである。

シュレーディンガー方程式

現在、分子の化学的性質を決定する方法は、遅く、リソースを大量に消費する、痛ましい実験室実験に頼っている。一方、量子化学は、分子の物理的および化学的性質を予測するために、3D空間内の原子の配置のみに頼っている。量子化学が分子の性質を妥当に決定するには、シュレーディンガー方程式を解く必要がある。シュレーディンガー方程式は、エネルギー保存則やニュートンの運動法則と同様の役割を果たす。シュレーディンガー方程式は、システムが将来どのように動作するかを予測する。シュレーディンガー方程式は、波動関数で表され、結果やイベントの確率を正確に予測する。現在まで、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った。

シュレーディンガー方程式を解くには、研究者は、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った。波動関数は、高次元のエンティティであり、電子間の関係を符号化することは非常に困難である。いくつかの量子化学技術は、波動関数を符号化することをやめて、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集中している。しかし、分子のエネルギーだけに焦点を当てると、近似が必要になり、予測の有用性が制限される。

量子化学者が波動関数を表現するために使用できる他の技術もあるが、実際には、波動関数を計算するために役立つものはほとんどない。

“Quantum Monte Carlo” アプローチとディープニューラルネットワーク

Phys.orgによると、フリードリヒ・ヴィルヘルム大学ベルリンの研究者は、ディープラーニング技術の助けを借りてシュレーディンガー方程式を解くことに成功した。研究チームは、高い精度と適度な計算コストを提供する「Quantum Monte Carlo」アプローチに取り組んだ。研究者は、電子の波動関数を表現するためにディープニューラルネットワークを使用した。研究のリーダーであるフランク・ノエ教授は、ニューラルネットワークが原子核周囲の電子の分布に関する複雑なパターンを学ぶように設計されたと説明した。

研究者が電子のパターンを学ぶためにディープニューラルネットワークを効果的に使用するには、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った。電子の波動関数には、反対称性という特性がある。2つの電子が交換されると、波動関数の符号が変化する。この特性を考慮し、ネットワークアーキテクチャに組み込む必要があった。ネットワークは「パウリの排他原理」にちなんで「PauliNet」と命名された。この原理は、2つ以上の同一のフェルミオンが同時に同じ量子状態にあることはできないことを示している。

PauliNetは、電子の波動関数の他の物理的特性もネットワークに統合する必要があった。ノエは、Phys.orgを通じて、ネットワークが単にデータを観察することによって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ったと説明した。

「基本的な物理をAIに組み込むことは、分野で有意義な予測を行うための不可欠である」とノエは述べた。「これは、科学者がAIに大きな貢献を与えることができる場所であり、私のグループが注力していることである」

研究チームはまだ実験を実施する必要があり、モデルの実用化前にアプローチを改良する必要がある。しかし、方法が工業応用に適したものになると、さまざまな分野で使用できるようになる。材料科学者は、新しいメタマテリアルを作成するためにアルゴリズムを使用でき、製薬業界は、新しい種類の薬を合成するために使用できるようになる。