Nieuwe studie van AI-onderzoekers lost Schrödinger-vergelijking op

Een studie onlangs gepubliceerd in het tijdschrift Natuurchemie beschrijft de uitkomst van onderzoek bedoeld om de grondtoestand van te berekenen de Schrödinger vergelijking in de kwantumchemie. Het probleem werd opgelost met de toepassing van kunstmatige-intelligentietechnieken en het succes van de studie heeft grote implicaties voor de kwantumchemie.

De Schrödinger-vergelijking

De huidige methode om de chemische eigenschappen van een molecuul te bepalen, is gebaseerd op langzame, resource-intensieve, nauwgezette laboratoriumexperimenten. Daarentegen probeert kwantumchemie de fysische en chemische eigenschappen van moleculen te voorspellen, waarbij ze alleen vertrouwt op de rangschikking van atomen binnen een 3D-ruimte. Om ervoor te zorgen dat kwantumchemie moleculaire eigenschappen aannemelijk kan bepalen, moet de vergelijking van Schrödinger worden opgelost. De Schrödingervergelijking speelt dezelfde rol die het behoud van energie en de wetten van Newton spelen in de klassieke mechanica, het voorspelt hoe een systeem zich in de toekomst zal gedragen. De vergelijking van Schrödinger wordt uitgedrukt in termen van een golffunctie die precies de waarschijnlijkheid van een uitkomst of gebeurtenis voorspelt. Tot nu toe bleek het oplossen van de Schrödingervergelijking enorm moeilijk.

Om de Schrödingervergelijking op te lossen, moesten onderzoekers een golffunctie correct modelleren, een wiskundig object dat in staat is het gedrag van elektronen in een molecuul te specificeren. Golffuncties zijn hoogdimensionale entiteiten en als gevolg daarvan is het ongelooflijk moeilijk om de relaties tussen elektronen te coderen. Sommige kwantumchemietechnieken doen geen moeite met het coderen van een golffunctie, maar richten zich in plaats daarvan op het bepalen van de energie van een doelmolecuul. Er is echter een benadering nodig wanneer u zich uitsluitend richt op de energie van een molecuul, en deze schatting beperkt hoe nuttig voorspellingen kunnen zijn.

Hoewel er andere technieken zijn die kwantumchemici kunnen gebruiken om een ​​golffunctie weer te geven, zijn ze in wezen te onpraktisch om bruikbaar te zijn voor het berekenen van de golffunctie van een paar atomen.

"Quantum Monte Carlo"-benadering met diepe neurale netwerken

Volgens Phys.org, onderzoekers van Freie Universitat Berlin erin geslaagd om de vergelijking van Schrödinger op te lossen met behulp van deep learning-technieken. Het onderzoeksteam wendde zich tot een "Quantum Monte Carlo" -benadering, die een hoge nauwkeurigheid biedt tegen bescheiden rekenkosten. De onderzoekers gebruikten diepe neurale netwerken om de golffunctie van elektronen weer te geven. Professor Franke Noe was de hoofdonderzoeker van de studie en Noe legde uit dat het neurale netwerk is ontworpen om de complexe patronen te leren over hoe elektronen rond de kernen van een atoom worden verdeeld.

Om ervoor te zorgen dat de onderzoekers diepe neurale netwerken effectief konden gebruiken om de patronen achter elektronen te leren, moesten ze de juiste netwerkarchitectuur creëren. Elektronische golffuncties hebben een eigenschap die bekend staat als antisymmetrie. Telkens wanneer twee elektronen worden uitgewisseld, moet het teken van de golffunctie veranderen. Met deze specifieke eigenaardigheid moest rekening worden gehouden en de eigenschap moest in de netwerkarchitectuur worden ingebakken. Het netwerk kreeg de naam "PauliNet", ontleend aan het "Pauli-uitsluitingsprincipe". Dit principe stelt dat twee of meer identieke fermionen niet tegelijkertijd in dezelfde kwantumtoestand binnen een kwantumsysteem kunnen bestaan.

PauliNet moest ook andere fysieke eigenschappen van de elektronische golffuncties in het netwerk integreren. In plaats van het netwerk tot een beslissing te laten komen door alleen gegevens te observeren, moest het netwerk rekening houden met de eigenschappen van de golffunctie, zoals Noe uitlegde via Phys.org.

"Het inbouwen van de fundamentele fysica in de AI is essentieel voor zijn vermogen om zinvolle voorspellingen te doen in het veld", zei Noe. “Dit is echt waar wetenschappers een substantiële bijdrage kunnen leveren aan AI, en precies waar mijn groep zich op richt.

Het onderzoeksteam moet nog meer experimenten uitvoeren en hun aanpak verfijnen voordat het model klaar is om buiten het lab te worden toegepast. Zodra de methode echter klaar is voor industriële toepassingen, kan deze op verschillende gebieden worden gebruikt. Materiaalwetenschappers zouden het algoritme kunnen gebruiken om nieuwe metamaterialen te helpen creëren, en de farmaceutische industrie zou het kunnen gebruiken om nieuwe soorten medicijnen te synthetiseren.