Novo Estudo de Pesquisadores de IA Resolve a Equação de Schrödinger

Um estudo recente publicado na revista Nature Chemistry detalha o resultado de uma pesquisa destinada a calcular o estado fundamental da equação de Schrödinger (SDGR ) em química quântica. O problema foi resolvido com a aplicação de técnicas de inteligência artificial, e o sucesso do estudo tem implicações significativas para a química quântica.

A Equação de Schrödinger

O método atual de determinação das propriedades químicas de uma molécula depende de experimentos laboratoriais lentos, intensivos em recursos e minuciosos. Em contraste, a química quântica busca prever as propriedades físicas e químicas das moléculas, dependendo apenas da disposição dos átomos em um espaço tridimensional. Para que a química quântica possa determinar plausivelmente as propriedades moleculares, a equação de Schrödinger precisa ser resolvida. A equação de Schrödinger desempenha o mesmo papel que a conservação da energia e as leis de Newton desempenham na mecânica clássica, prevendo como um sistema se comportará no futuro. A equação de Schrödinger é expressa em termos de uma função de onda que prevê com precisão a probabilidade de um resultado ou evento. Até agora, resolver a equação de Schrödinger provou ser extremamente difícil.

Para resolver a equação de Schrödinger, os pesquisadores precisavam modelar corretamente uma função de onda, um objeto matemático capaz de especificar os comportamentos dos elétrons em uma molécula. As funções de onda são entidades de alta dimensionalidade, e, como resultado, é incrivelmente difícil codificar as relações entre os elétrons. Algumas técnicas de química quântica não se preocupam em codificar uma função de onda, focando em vez disso na determinação da energia de uma molécula-alvo. No entanto, uma aproximação é necessária quando se concentra apenas na energia de uma molécula, e essa estimativa limita a utilidade das previsões.

Embora existam outras técnicas que os químicos quânticos possam usar para representar uma função de onda, elas são essencialmente muito impraticáveis para serem úteis para calcular a função de onda de alguns átomos.

Abordagem “Quantum Monte Carlo” com Redes Neurais Profundas

De acordo com o Phys.org, pesquisadores da Freie Universitat Berlin conseguiram resolver a equação de Schrödinger com a ajuda de técnicas de aprendizado profundo. A equipe de pesquisa adotou uma abordagem “Quantum Monte Carlo”, que oferece alta precisão a um custo computacional modesto. Os pesquisadores usaram redes neurais profundas para representar a função de onda para os elétrons. O professor Franke Noe foi o pesquisador principal do estudo, e Noe explicou que a rede neural foi projetada para aprender os padrões complexos relacionados à distribuição dos elétrons em torno dos núcleos de um átomo.

Para que os pesquisadores pudessem usar efetivamente redes neurais profundas para aprender os padrões por trás dos elétrons, eles precisavam criar a arquitetura de rede certa. As funções de onda eletrônicas têm uma propriedade conhecida como antisimetria. Sempre que dois elétrons são trocados, o sinal da função de onda deve mudar. Essa particularidade precisava ser contabilizada e a propriedade incorporada à arquitetura da rede. A rede foi nomeada “PauliNet”, recebendo seu nome do “princípio de exclusão de Pauli”. Esse princípio afirma que dois ou mais férmions idênticos não podem existir no mesmo estado quântico ao mesmo tempo em um sistema quântico.

A PauliNet também precisava integrar outras propriedades físicas das funções de onda eletrônicas à arquitetura da rede. Em vez de permitir que a rede chegasse a uma decisão apenas observando os dados, a rede precisava levar em consideração as propriedades da função de onda, como Noe explicou por meio do Phys.org.

“Incorporar a física fundamental na IA é essencial para sua capacidade de fazer previsões significativas no campo”, disse Noe. “É aqui que os cientistas podem fazer uma contribuição substancial para a IA, e exatamente no que meu grupo está focado.

A equipe de pesquisa ainda precisa realizar mais experimentos, refinando sua abordagem antes que o modelo esteja pronto para ser aplicado fora do laboratório. No entanto, uma vez que o método esteja pronto para aplicações industriais, ele poderia ser usado em uma variedade de campos diferentes. Cientistas de materiais poderiam usar o algoritmo para ajudar a criar novos metamateriais, e a indústria farmacêutica poderia usá-lo para sintetizar novos tipos de medicamentos. O modelo está pronto para ser aplicado fora do laboratório. No entanto, uma vez que o método esteja pronto para aplicações industriais, ele poderia ser usado em uma variedade de campos diferentes. Cientistas de materiais poderiam usar o algoritmo para ajudar a criar novos metamateriais, e a indústria farmacêutica poderia usá-lo para sintetizar novos tipos de medicamentos.