Ny studie fra AI-forskere løser Schrödinger-ligningen

En studie som nylig er publisert i tidsskriftet Nature Chemistry detaljerer resultatet av forskning som hadde til hensikt å beregne grunntilstanden til Schrödinger-ligningen i kvantekjemi. Problemet ble løst med anvendelse av kunstig intelligens-teknikker, og suksessen med studien har store implikasjoner for kvantekjemi.

Schrödinger-ligningen

Den nåværende metoden for å bestemme de kjemiske egenskapene til en molekyl baserer seg på langsomme, ressurskrevende og nøye laboratorieeksperimenter. I motsetning til dette søker kvantekjemi å forutsi de fysiske og kjemiske egenskapene til molekyler, kun basert på arrangementet av atomer i et 3D-rom. For at kvantekjemi skal kunne troverdig bestemme molekylegenskaper, må Schrödinger-ligningen løses. Schrödinger-ligningen spiller samme rolle som bevaring av energi og Newtons lover i klassisk mekanikk, den forutsier hvordan et system vil oppføre seg i fremtiden. Schrödinger-ligningen uttrykkes i form av en bølgefunksjon som nøyaktig forutsier sannsynligheten for et resultat eller hendelse. Frem til nå har det vært usedvanlig vanskelig å løse Schrödinger-ligningen.

For å løse Schrödinger-ligningen, trengte forskerne å korrekt modellere en bølgefunksjon, et matematisk objekt som kan spesifisere oppførselen til elektroner i en molekyl. Bølgefunksjoner er høydimensjonale enheter, og som resultat er det usedvanlig vanskelig å kode relasjonene mellom elektroner. Noen kvantekjemiske teknikker bryr seg ikke om å kode en bølgefunksjon, men fokuserer i stedet på å bestemme energien til et målmolekyl. Men en approksimasjon er nødvendig når man kun fokuserer på energien til en molekyl, og denne estimasjonen begrenser hvor nyttige forutsigelsene kan være.

Selv om det finnes andre teknikker som kvantekjemikere kan bruke til å representere en bølgefunksjon, er de essensielt for upraktiske til å være nyttige for å beregne bølgefunksjonen til noen få atomer.

“Quantum Monte Carlo”-tilnærming med dype neurale nettverk

Ifølge Phys.org klarte forskere fra Freie Universitat Berlin å løse Schrödinger-ligningen med hjelp av dyplæringsteknikker. Forskningsgruppen tok i bruk en “Quantum Monte Carlo”-tilnærming, som tilbyr høy nøyaktighet til en beskjeden beregningskostnad. Forskerne brukte dype neurale nettverk til å representere bølgefunksjonen for elektroner. Professor Franke Noe var lederen for studien, og Noe forklarte at neuralt nettverk var designet for å lære de komplekse mønsterene omkring hvordan elektroner er fordelt rundt atomkjernene.

For at forskerne skulle kunne bruke dype neurale nettverk til å lære mønsterene bak elektroner, trengte de å skape riktig nettverksarkitektur. Elektroniske bølgefunksjoner har en egenskap kjent som antisymmetri. Når to elektroner byttes, må tegnet til bølgefunksjonen endre seg. Denne spesielle egenskapen måtte bli tatt med i betraktning og egenskapen måtte bli integrert i nettverksarkitekturen. Nettverket ble kalt “PauliNet”, og fikk navnet sitt fra “Pauli-utelukkelsesprinsippet”. Dette prinsippet sier at to eller flere identiske fermioner ikke kan eksistere i samme kvantetilstand samtidig i et kvantesystem.

PauliNet måtte også integrere andre fysiske egenskaper til elektroniske bølgefunksjoner i nettverket. I stedet for å la nettverket komme til en avgjørelse bare ved å observere data, måtte nettverket ta egenskapene til bølgefunksjonen i betraktning, som Noe forklarte via Phys.org.

“Å bygge fundamentalfysikken inn i AI er essensielt for dens evne til å gjøre meningsfulle forutsigelse i feltet,” sa Noe. “Dette er virkelig der vitenskapsmenn kan gjøre en betydelig bidrag til AI, og nettopp det min gruppe fokuserer på.

Forskningsgruppen trenger fortsatt å gjennomføre flere eksperimenter, og finjustere sin tilnærming før modellen er klar til å bli brukt utenfor laboratoriet. Men når metoden er klar for industriell anvendelse, kan den bli brukt i en rekke forskjellige felt. Materialforskere kan bruke algoritmen til å hjelpe med å skape nye metamaterialer, og legemiddelindustrien kan bruke den til å syntetisere nye typer legemidler.

he modellen er klar til å bli brukt utenfor laboratoriet. Men når metoden er klar for industriell anvendelse, kan den bli brukt i en rekke forskjellige felt. Materialforskere kan bruke algoritmen til å hjelpe med å skape nye metamaterialer, og legemiddelindustrien kan bruke den til å syntetisere nye typer legemidler.