Nowe badanie przeprowadzone przez badaczy sztucznej inteligencji rozwiązuje równanie Schrödingera

Badanie opublikowane w czasopiśmie Nature Chemistry szczegółowo opisuje wyniki badań mających na celu obliczenie stanu podstawowego równania Schrödingera w chemii kwantowej. Problem został rozwiązany przy użyciu techniki sztucznej inteligencji, a powodzenie badania ma duże znaczenie dla chemii kwantowej.

Równanie Schrödingera

Obecna metoda określania właściwości chemicznych cząsteczki opiera się na powolnych, wymagających dużych zasobów i czasochłonnych eksperymentach laboratoryjnych. W przeciwieństwie do tego, chemia kwantowa stara się przewidzieć właściwości fizyczne i chemiczne cząsteczek, opierając się wyłącznie na układzie atomów w przestrzeni trójwymiarowej. Aby chemia kwantowa mogła wiarygodnie określać właściwości molekularne, należy rozwiązać równanie Schrödingera. Równanie Schrödingera pełni taką samą rolę, jak zachowanie energii i prawa Newtona w mechanice klasycznej, przewiduje, jak system będzie się zachowywał w przyszłości. Równanie Schrödingera jest wyrażone za pomocą funkcji falowej, która dokładnie przewiduje prawdopodobieństwo wystąpienia zdarzenia. Do tej pory rozwiązanie równania Schrödingera okazało się niezwykle trudne.

Aby rozwiązać równanie Schrödingera, naukowcy musieli poprawnie zmodelować funkcję falową, obiekt matematyczny, który może określać zachowania elektronów w cząsteczce. Funkcje falowe są obiektami wielowymiarowymi, a w związku z tym jest niezwykle trudno zakodować relacje między elektronami. Niektóre techniki chemii kwantowej nie zajmują się kodowaniem funkcji falowej, koncentrując się zamiast tego na określeniu energii docelowej cząsteczki. Jednak przybliżenie jest potrzebne, gdy skupiamy się wyłącznie na energii cząsteczki, a ta estymacja ogranicza, jak użyteczne mogą być przewidywania.

Chociaż istnieją inne techniki, których mogą używać chemicy kwantowi, aby reprezentować funkcję falową, są one praktycznie niepraktyczne do obliczania funkcji falowej kilku atomów.

Podejście “Quantum Monte Carlo” z sieciami neuronowymi

Według Phys.org, naukowcy z Freie Universitat Berlin rozwiązali równanie Schrödingera przy użyciu technik głębokiego uczenia. Zespół badawczy zastosował podejście “Quantum Monte Carlo”, które oferuje wysoką dokładność przy umiarkowanym koszcie obliczeniowym. Naukowcy użyli sieci neuronowych, aby reprezentować funkcję falową dla elektronów. Profesor Franke Noe był głównym badaczem w tym badaniu, a Noe wyjaśnił, że sieć neuronowa została zaprojektowana, aby nauczyć się złożonych wzorców dotyczących tego, jak elektrony są rozłożone wokół jąder atomu.

Aby naukowcy mogli skutecznie używać sieci neuronowych do nauki wzorców za elektronami, musieli stworzyć odpowiednią architekturę sieci. Elektroniczne funkcje falowe mają właściwość zwaną antysymetrią. Gdy dwie elektrony są wymienione, znak funkcji falowej musi się zmienić. Ta szczególna cecha musiała być uwzględniona i wbudowana w architekturę sieci. Sieć została nazwana “PauliNet”, od “zasady wykluczenia Pauliego”. Zasada ta mówi, że dwa lub więcej identyczne fermiony nie mogą istnieć w tym samym stanie kwantowym w tym samym czasie w układzie kwantowym.

PauliNet musiał również uwzględnić inne właściwości fizyczne elektronicznych funkcji falowych w sieci. Zamiast pozwolić sieci na podjęcie decyzji tylko na podstawie obserwacji danych, sieć musiała wziąć pod uwagę właściwości funkcji falowej, jak wyjaśnił Noe za pośrednictwem Phys.org.

“Budowanie podstawowej fizyki w sztucznej inteligencji jest niezbędne do jej zdolności do dokonywania znaczących przewidywań w tej dziedzinie”, powiedział Noe. “To jest naprawdę miejsce, w którym naukowcy mogą wnieść znaczący wkład w sztuczną inteligencję, i to jest dokładnie to, na czym koncentruje się moja grupa”.

Zespół badawczy musi jeszcze przeprowadzić więcej eksperymentów, udoskonalając swoje podejście, zanim model będzie gotowy do zastosowania poza laboratorium. Jednak gdy metoda będzie gotowa do zastosowań przemysłowych, może być używana w różnych dziedzinach. Naukowcy materiałowi mogą używać algorytmu, aby pomóc w tworzeniu nowych metamateriałów, a przemysł farmaceutyczny może go używać do syntezy nowych rodzajów leków.