Новое исследование от исследователей искусственного интеллекта решает уравнение Шредингера

Недавно проведенное исследование опубликованные в журнале Химия природы детализирует результаты исследования, предназначенного для расчета основного состояния Шредингер уравнение в квантовой химии. Проблема была решена с применением методов искусственного интеллекта, и успех исследования имеет большое значение для квантовой химии.

Уравнение Шрёдингера

Нынешний метод определения химических свойств молекулы основан на медленных, ресурсоемких, кропотливых лабораторных экспериментах. Напротив, квантовая химия пытается предсказать физические и химические свойства молекул, полагаясь только на расположение атомов в трехмерном пространстве. Чтобы квантовая химия могла правдоподобно определять молекулярные свойства, необходимо решить уравнение Шредингера. Уравнение Шредингера играет ту же роль, что и закон сохранения энергии и законы Ньютона в классической механике, оно предсказывает, как система будет вести себя в будущем. Уравнение Шрёдингера выражается в виде волновой функции, которая точно предсказывает вероятность исхода или события. До сих пор решение уравнения Шредингера оказывалось чрезвычайно трудным.

Чтобы решить уравнение Шредингера, исследователям нужно было правильно смоделировать волновую функцию — математический объект, способный определять поведение электронов в молекуле. Волновые функции — это многомерные объекты, и в результате невероятно сложно закодировать взаимосвязь между электронами. Некоторые методы квантовой химии не утруждают себя кодированием волновой функции, вместо этого сосредотачиваясь на определении энергии молекулы-мишени. Однако при сосредоточении внимания исключительно на энергии молекулы необходимо приближение, и эта оценка ограничивает, насколько полезными могут быть предсказания.

Хотя есть и другие методы, которые квантовые химики могут использовать для представления волновой функции, они по существу слишком непрактичны, чтобы их можно было использовать для вычисления волновой функции нескольких атомов.

Подход «Квантовый Монте-Карло» с глубокими нейронными сетями

По данным Phys.org, исследователям из Свободного университета Берлина удалось решить уравнение Шредингера с помощью методов глубокого обучения. Исследовательская группа обратилась к подходу «Квантовый Монте-Карло», который предлагает высокую точность при скромных вычислительных затратах. Исследователи использовали глубокие нейронные сети для представления волновой функции электронов. Профессор Франке Ноэ был ведущим исследователем исследования, и Ноэ объяснил, что нейронная сеть была разработана для изучения сложных закономерностей распределения электронов вокруг ядер атома.

Чтобы исследователи могли эффективно использовать глубокие нейронные сети для изучения моделей электронов, им нужно было создать правильную сетевую архитектуру. Электронные волновые функции обладают свойством, известным как антисимметрия. Всякий раз, когда два электрона обмениваются местами, знак волновой функции должен меняться. Эту особую особенность нужно было учитывать, и это свойство было встроено в сетевую архитектуру. Сеть получила название «PauliNet», получив свое название от «принципа исключения Паули». Этот принцип гласит, что два или более идентичных фермиона не могут существовать в одном и том же квантовом состоянии в одно и то же время в квантовой системе.

PauliNet также пришлось интегрировать в сеть другие физические свойства электронных волновых функций. Вместо того, чтобы позволить сети принимать решения только на основе наблюдения за данными, сеть должна была учитывать свойства волновой функции, как объяснил Ноэ через Phys.org.

«Встраивание фундаментальной физики в ИИ необходимо для его способности делать значимые прогнозы в полевых условиях», — сказал Ноэ. «Это действительно то, где ученые могут внести существенный вклад в ИИ, и именно на этом сосредоточена моя группа.

Исследовательской группе все еще нужно провести больше экспериментов, уточнив свой подход, прежде чем модель будет готова для применения за пределами лаборатории. Однако, как только метод будет готов для промышленного применения, его можно будет использовать в самых разных областях. Ученые-материаловеды могли бы использовать этот алгоритм для создания новых метаматериалов, а фармацевтическая промышленность могла бы использовать его для синтеза новых видов лекарств.