Новое исследование ученых-исследователей в области ИИ решает уравнение Шрёдингера

Исследование, недавно опубликованное в журнале Nature Chemistry, детализирует результаты исследования, направленного на расчет основного состояния уравнения Шрёдингера в квантовой химии. Задача была решена с помощью применения методов искусственного интеллекта, и успех исследования имеет серьезные последствия для квантовой химии.

Уравнение Шрёдингера

Текущий метод определения химических свойств молекулы основан на медленных, ресурсоемких и трудоемких лабораторных экспериментах. Напротив, квантовая химия стремится предсказать физические и химические свойства молекул, опираясь только на расположение атомов в трехмерном пространстве. Чтобы квантовая химия могла достоверно определить молекулярные свойства, необходимо решить уравнение Шрёдингера. Уравнение Шрёдингера 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 через волновую функцию, которая точно предсказывает вероятность исхода или события. До сих пор решение уравнения Шрёдингера оказалось чрезвычайно трудным.

Чтобы решить уравнение Шрёдингера, исследователям необходимо было правильно смоделировать волновую функцию, математический объект, способный указывать поведение электронов в молекуле. Волновые функции являются высокоразмерными сущностями, и в результате это невероятно трудно закодировать отношения между электронами. Некоторые методы квантовой химии не занимаются кодированием волновой функции, вместо этого они сосредотачиваются на определении энергии целевой молекулы. Однако для этого требуется приближение, когда сосредотачиваются исключительно на энергии молекулы, и эта оценка ограничивает, насколько полезными могут быть прогнозы.

Хотя существуют и другие методы, которые квантовые химики могут использовать для представления волновой функции, они по сути слишком не практичны, чтобы быть полезными для расчета волновой функции нескольких атомов.

“Квантовый Монте-Карло” подход с глубокими нейронными сетями

Согласно Phys.org, исследователи из Freie Universitat Berlin смогли решить уравнение Шрёдингера с помощью методов глубокого обучения. Исследовательская группа обратилась к “Квантовому Монте-Карло” подходу, который предлагает высокую точность при умеренной вычислительной стоимости. Исследователи использовали глубокие нейронные сети для представления волновой функции электронов. Профессор Франке Ное был ведущим исследователем в этом исследовании, и Ное объяснил, что нейронная сеть была разработана для изучения сложных закономерностей, связанных с распределением электронов вокруг ядер атомов.

Чтобы исследователи могли эффективно использовать глубокие нейронные сети для изучения закономерностей, связанных с электронами, им необходимо было создать правильную архитектуру сети. Электронные волновые функции имеют свойство, известное как антисимметрия. Когда два электрона обмениваются местами, знак волновой функции должен измениться. Это особенность необходимо было учитывать и включить в архитектуру сети. Сеть была названа “PauliNet”, получив свое название от “принципа исключения Паули”. Этот принцип гласит, что два или более идентичных фермионов не могут существовать в одном и том же квантовом состоянии одновременно в квантовой системе.

PauliNet также необходимо было интегрировать другие физические свойства электронных волновых функций в сеть. Вместо того, чтобы позволять сети принимать решения, основываясь только на наблюдаемых данных, сеть должна была учитывать свойства волновой функции, как объяснил Ное через Phys.org.

“Включение фундаментальной физики в ИИ имеет решающее значение для его способности делать осмысленные прогнозы в этой области”, – сказал Ное. “Именно здесь ученые могут сделать значительный вклад в ИИ, и именно на этом фокусируется моя группа.

Исследовательской группе все еще необходимо провести больше экспериментов, усовершенствовать свой подход, прежде чем модель будет готова к применению вне лаборатории. Однако, как только метод будет готов для промышленного применения, он может быть использован в различных областях. Ученые-материаловеды могут использовать алгоритм для создания новых метаматериалов, а фармацевтическая промышленность может использовать его для синтеза новых типов лекарств.