Nowe badanie przeprowadzone przez badaczy sztucznej inteligencji rozwiązuje równanie Schrödingera

Badanie opublikowane niedawno w czasopiśmie Nature Chemistry szczegółowo opisuje wyniki badań mających na celu obliczenie stanu podstawowego równania Schrödingera w chemii kwantowej. Problem został rozwiązany za pomocą technik sztucznej inteligencji, a powodzenie badania ma duże implikacje dla chemii kwantowej.

Równanie Schrödingera

Obecna metoda określania właściwości chemicznych cząsteczki opiera się na powolnych, wymagających dużych zasobów, 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, równanie Schrödingera musi być rozwiązane. Równanie Schrödingera odgrywa taką samą rolę, jaką odgrywają prawa zachowania energii i prawa Newtona w mechanice klasycznej, przewiduje, jak system będzie się zachowywał w przyszłości. Równanie Schrödingera jest wyrażone w postaci funkcji falowej, która dokładnie przewiduje prawdopodobieństwo wystąpienia zdarzenia lub wyniku. 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, które chemicy kwantowi mogą wykorzystać do reprezentowania funkcji falowej, są one praktycznie zbyt niewygodne, aby były użyteczne do obliczania funkcji falowej kilku atomów.

Podejście “Quantum Monte Carlo” z sieciami neuronowymi

Według Phys.org, naukowcy z Freie Universitat Berlin udało się rozwiązać równanie Schrödingera przy użyciu technik głębokiego uczenia. Zespół badawczy wykorzystał podejście “Quantum Monte Carlo”, które oferuje wysoką dokładność przy umiarkowanym koszcie obliczeniowym. Naukowcy wykorzystali sieci neuronowe do reprezentowania funkcji falowej dla elektronów. Profesor Franke Noe był głównym badaczem w badaniu, a Noe wyjaśnił, że sieć neuronowa została zaprojektowana w celu nauczenia się złożonych wzorców dotyczących rozkładu elektronów wokół jąder atomów.

Aby naukowcy mogli skutecznie wykorzystać sieci neuronowe do nauczenia się wzorców za elektronami, musieli stworzyć odpowiednią architekturę sieci. Funkcje falowe elektronowe mają właściwość znaną jako antysymetryczność. Gdy dwie elektrony są wymienione, znak funkcji falowej musi się zmienić. Ta szczególna cecha musiała być uwzględniona i wlana do architektury sieci. Sieć została nazwana “PauliNet”, od “zasady wykluczania 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 funkcji falowych elektronowych w architekturze sieci. Zamiast pozwolić sieci na podejmowanie decyzji tylko na podstawie obserwacji danych, sieć musiała wziąć pod uwagę właściwości funkcji falowej, jak wyjaśnił Noe za pośrednictwem Phys.org.

“Wbudowanie podstawowej fizyki w AI jest niezbędne do jej zdolności do dokonywania znaczących przewidywań w tej dziedzinie”, powiedział Noe. “To jest właśnie miejsce, w którym naukowcy mogą wnieść znaczący wkład w AI, 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 jest gotowa do zastosowań przemysłowych, może być wykorzystana w różnych dziedzinach. Naukowcy materiałowi mogą wykorzystać algorytm do pomocy w tworzeniu nowych metamateriałów, a przemysł farmaceutyczny może go wykorzystać do syntezy nowych rodzajów leków.