ปัญญาประดิษฐ์
การศึกษาใหม่จากนักวิจัย AI แก้สมการชเรอดิงเงอร์
การศึกษาเมื่อเร็ว ๆ นี้ ตีพิมพ์ในวารสาร เคมีธรรมชาติ รายละเอียดผลการวิจัยที่ต้องการคำนวณสถานะพื้นของ ชเรอดิงเงอร์ สมการ ในเคมีควอนตัม ปัญหาได้รับการแก้ไขด้วยการประยุกต์ใช้เทคนิคปัญญาประดิษฐ์ และความสำเร็จของการศึกษามีนัยสำคัญสำหรับเคมีควอนตัม
สมการชโรดิงเงอร์
วิธีการปัจจุบันในการกำหนดคุณสมบัติทางเคมีของโมเลกุลอาศัยการทดลองในห้องปฏิบัติการที่ช้า ใช้ทรัพยากรมาก และมีความอุตสาหะ ในทางตรงกันข้าม เคมีควอนตัมพยายามทำนายคุณสมบัติทางกายภาพและเคมีของโมเลกุล โดยอาศัยการจัดเรียงอะตอมภายในพื้นที่ 3 มิติเท่านั้น เพื่อให้เคมีควอนตัมสามารถระบุคุณสมบัติของโมเลกุลได้อย่างมีเหตุผล สมการของชโรดิงเงอร์จำเป็นต้องได้รับการแก้ไข สมการชโรดิงเงอร์มีบทบาทเช่นเดียวกับการอนุรักษ์พลังงานและกฎของนิวตันในกลศาสตร์คลาสสิก โดยทำนายว่าระบบจะมีพฤติกรรมอย่างไรในอนาคต สมการของชเรอดิงเงอร์แสดงในรูปของฟังก์ชันคลื่นที่ทำนายความน่าจะเป็นของผลลัพธ์หรือเหตุการณ์ได้อย่างแม่นยำ จนถึงขณะนี้ การแก้สมการชโรดิงเงอร์ได้รับการพิสูจน์แล้วว่ายากมาก
ในการแก้สมการชโรดิงเงอร์ นักวิจัยจำเป็นต้องสร้างแบบจำลองฟังก์ชันคลื่น ซึ่งเป็นวัตถุทางคณิตศาสตร์ที่สามารถระบุพฤติกรรมของอิเล็กตรอนในโมเลกุลได้อย่างถูกต้อง ฟังก์ชันคลื่นเป็นเอนทิตีที่มีมิติสูง ด้วยเหตุนี้ จึงเป็นเรื่องยากอย่างยิ่งที่จะเข้ารหัสความสัมพันธ์ระหว่างอิเล็กตรอน เทคนิคเคมีควอนตัมบางอย่างไม่ยุ่งเกี่ยวกับการเข้ารหัสฟังก์ชันคลื่น โดยมุ่งเน้นที่การหาพลังงานของโมเลกุลเป้าหมายแทน อย่างไรก็ตาม จำเป็นต้องมีการประมาณค่าเมื่อมุ่งเน้นไปที่พลังงานของโมเลกุลเพียงอย่างเดียว และการประมาณค่านี้จะจำกัดวิธีการคาดคะเนที่มีประโยชน์
แม้ว่าจะมีเทคนิคอื่นๆ ที่นักเคมีควอนตัมสามารถใช้เพื่อแสดงฟังก์ชันคลื่นได้ แต่โดยหลักแล้วเทคนิคเหล่านี้ใช้ไม่ได้ผลเกินกว่าจะเป็นประโยชน์ในการคำนวณฟังก์ชันคลื่นของอะตอมบางอะตอม
แนวทาง “ควอนตัม มอนติ คาร์โล” กับ Deep Neural Networks
อ้างอิงจาก Phys.orgนักวิจัยจาก Freie Universitat Berlin สามารถแก้ไขสมการของชโรดิงเงอร์ได้ด้วยความช่วยเหลือของเทคนิคการเรียนรู้เชิงลึก ทีมวิจัยหันไปใช้วิธี "ควอนตัม มอนติ คาร์โล" ซึ่งให้ความแม่นยำสูงด้วยต้นทุนการคำนวณเพียงเล็กน้อย นักวิจัยใช้โครงข่ายประสาทเทียมแบบลึกเพื่อแสดงฟังก์ชันคลื่นของอิเล็กตรอน ศาสตราจารย์ Franke Noe เป็นนักวิจัยหลักของการศึกษานี้ และ Noe อธิบายว่าโครงข่ายประสาทเทียมได้รับการออกแบบมาเพื่อเรียนรู้รูปแบบที่ซับซ้อนเกี่ยวกับการกระจายอิเล็กตรอนรอบนิวเคลียสของอะตอม
เพื่อให้นักวิจัยสามารถใช้โครงข่ายประสาทเทียมเชิงลึกเพื่อเรียนรู้รูปแบบเบื้องหลังอิเล็กตรอนได้อย่างมีประสิทธิภาพ พวกเขาจำเป็นต้องสร้างสถาปัตยกรรมเครือข่ายที่เหมาะสม ฟังก์ชันคลื่นอิเล็กทรอนิกส์มีคุณสมบัติที่เรียกว่าแอนติสมมาตร เมื่อใดก็ตามที่มีการแลกเปลี่ยนอิเล็กตรอนสองตัว เครื่องหมายของฟังก์ชันคลื่นจะต้องเปลี่ยน การเล่นโวหารเฉพาะนี้ต้องได้รับการพิจารณาและคุณสมบัติที่รวมอยู่ในสถาปัตยกรรมเครือข่าย เครือข่ายนี้มีชื่อว่า "PauliNet" ซึ่งได้ชื่อมาจาก "หลักการกีดกันของ Pauli" หลักการนี้ระบุว่าเฟอร์มิออนที่เหมือนกันตั้งแต่สองตัวขึ้นไปไม่สามารถมีอยู่ในสถานะควอนตัมเดียวกันในเวลาเดียวกันภายในระบบควอนตัมได้
PauliNet ยังต้องรวมคุณสมบัติทางกายภาพอื่น ๆ ของฟังก์ชันคลื่นอิเล็กทรอนิกส์เข้ากับเครือข่าย แทนที่จะปล่อยให้เครือข่ายตัดสินใจจากการสังเกตข้อมูลเพียงอย่างเดียว เครือข่ายกลับต้องคำนึงถึงคุณสมบัติของฟังก์ชันคลื่นด้วย ดังที่ Noe อธิบายผ่าน Phys.org
“การสร้างฟิสิกส์พื้นฐานใน AI เป็นสิ่งสำคัญสำหรับความสามารถในการคาดการณ์ที่มีความหมายในสนาม” Noe กล่าว “นี่คือจุดที่นักวิทยาศาสตร์สามารถมีส่วนร่วมอย่างมากกับ AI และเป็นสิ่งที่กลุ่มของฉันมุ่งเน้น
ทีมวิจัยยังคงต้องทำการทดลองเพิ่มเติม ปรับแต่งแนวทางก่อนที่โมเดลจะพร้อมนำไปใช้นอกห้องแล็บ อย่างไรก็ตาม เมื่อวิธีการนี้พร้อมสำหรับการใช้งานทางอุตสาหกรรมแล้ว ก็สามารถนำไปใช้ในสาขาต่างๆ ได้หลากหลาย นักวิทยาศาสตร์ด้านวัสดุสามารถใช้อัลกอริทึมเพื่อช่วยสร้างวัสดุใหม่ และอุตสาหกรรมยาสามารถใช้เพื่อสังเคราะห์ยาชนิดใหม่ได้
