Nieuwe studie van AI-onderzoekers lost Schrödinger-vergelijking op

Een recente studie, gepubliceerd in het tijdschrift Nature Chemistry, beschrijft de resultaten van onderzoek dat bedoeld was om de grondtoestand van de Schrödinger (SDGR ) vergelijking in de quantumchemie te berekenen. Het probleem werd opgelost met de toepassing van kunstmatige intelligentietechnieken, en het succes van de studie heeft grote implicaties voor de quantumchemie.

De Schrödinger-vergelijking

De huidige methode om de chemische eigenschappen van een molecuul te bepalen, is langzaam, hulpbronnen-intensief en pijnlijk laboratoriumexperimenten. In tegenstelling hiermee probeert de quantumchemie de fysieke en chemische eigenschappen van moleculen te voorspellen, alleen op basis van de rangschikking van atomen in een 3D-ruimte. Om de moleculaire eigenschappen van de quantumchemie plausibel te kunnen bepalen, moet de Schrödinger-vergelijking worden opgelost. De Schrödinger-vergelijking speelt dezelfde rol die de behoud van energie en de wetten van Newton spelen in de klassieke mechanica, het voorspelt hoe een systeem in de toekomst zal gedragen. De Schrödinger-vergelijking wordt uitgedrukt in termen van een golf-functie die de waarschijnlijkheid van een resultaat of gebeurtenis nauwkeurig voorspelt. Tot nu toe bleek het oplossen van de Schrödinger-vergelijking enorm moeilijk.

Om de Schrödinger-vergelijking op te lossen, moesten onderzoekers een golf-functie correct modelleren, een wiskundig object dat in staat is om het gedrag van elektronen in een molecuul te specificeren. Golf-functies zijn hoogdimensionale entiteiten, en als gevolg hiervan is het ontzettend moeilijk om de relaties tussen elektronen te coderen. Sommige quantumchemische technieken hebben geen last van het coderen van een golf-functie, maar richten zich in plaats daarvan op het bepalen van de energie van een doelmolecuul. Echter, een benadering is nodig wanneer men zich alleen richt op de energie van een molecuul, en deze schatting beperkt hoe bruikbaar voorspellingen kunnen zijn.

Er zijn andere technieken die quantumchemici kunnen gebruiken om een golf-functie te representeren, maar ze zijn in wezen te onpraktisch om nuttig te zijn voor het berekenen van de golf-functie van een paar atomen.

“Quantum Monte Carlo”-aanpak met diepe neurale netwerken

Volgens Phys.org slaagden onderzoekers van de Freie Universitat Berlin erin om de Schrödinger-vergelijking op te lossen met behulp van diepe leer technieken. Het onderzoeksteam maakte gebruik van een “Quantum Monte Carlo”-aanpak, die een hoge nauwkeurigheid biedt tegen een bescheiden computationele kosten. De onderzoekers gebruikten diepe neurale netwerken om de golf-functie voor elektronen te representeren. Professor Franke Noe was de hoofdonderzoeker van de studie, en Noe legde uit dat het neurale netwerk was ontworpen om de complexe patronen te leren over hoe elektronen rond de kernen van een atoom worden verdeeld.

Om de onderzoekers effectief diepe neurale netwerken te laten gebruiken om de patronen achter de elektronen te leren, moesten ze de juiste netwerkarchitectuur creëren. Elektronische golf-functies hebben een eigenschap genaamd antisymmetrie. Wanneer twee elektronen worden uitgewisseld, moet het teken van de golf-functie veranderen. Deze specifieke eigenaardigheid moest worden meegenomen en in de netwerkarchitectuur worden gebakken. Het netwerk werd “PauliNet” genoemd, naar de “Pauli-uitsluitingsprincipe”. Dit principe stelt dat twee of meer identieke fermionen niet kunnen bestaan in dezelfde kwantumtoestand op hetzelfde moment in een kwantumsysteem.

PauliNet moest ook andere fysieke eigenschappen van de elektronische golf-functies in het netwerk integreren. In plaats van het netwerk te laten beslissen op basis van alleen het observeren van gegevens, moest het netwerk de eigenschappen van de golf-functie in overweging nemen, zoals Noe via Phys.org uitlegde.

“Het opnemen van de fundamentele fysica in de AI is essentieel voor de mogelijkheid om betekenisvolle voorspellingen in het veld te doen,” zei Noe. “Dit is echt waar wetenschappers een aanzienlijke bijdrage aan AI kunnen leveren, en precies waar mijn groep zich op richt.

Het onderzoeksteam moet nog meer experimenten uitvoeren, hun aanpak verfijnen voordat het model klaar is om buiten het laboratorium te worden toegepast. Echter, zodra de methode klaar is voor industriële toepassingen, kan het in een verscheidenheid van verschillende gebieden worden gebruikt. Materiaalwetenschappers kunnen de algoritme gebruiken om nieuwe metamaterialen te helpen creëren, en de farmaceutische industrie kan het gebruiken om nieuwe soorten medicijnen te synthetiseren.

Het model is klaar om buiten het laboratorium te worden toegepast. Echter, zodra de methode klaar is voor industriële toepassingen, kan het in een verscheidenheid van verschillende gebieden worden gebruikt. Materiaalwetenschappers kunnen de algoritme gebruiken om nieuwe metamaterialen te helpen creëren, en de farmaceutische industrie kan het gebruiken om nieuwe soorten medicijnen te synthetiseren.