การศึกษาใหม่จากนักวิจัย AI แก้สมการ Schrodinger

การศึกษาเร็วๆ นี้ที่ ตีพิมพ์ในวารสาร Nature Chemistry รายละเอินผลลัพธ์ของการวิจัยที่มีจุดมุ่งหมายเพื่อคำนวณสถานะพื้นของ สมการ Schrödinger ในเคมีควอนตัม ปัญหาได้รับการแก้ไขโดยใช้เทคนิคปัญญาประดิษฐ์ และความสำเร็จของการศึกษานี้มีผลกระทบอย่างมากต่อเคมีควอนตัม

สมการ Schrödinger

วิธีการปัจจุบันในการกำหนดคุณสมบัติเคมีของโมเลกุลขึ้นอยู่กับการทดลองในห้องปฏิบัติการที่ช้า มีทรัพยากรมาก และใช้ความพยายามมาก ในทางกลับกัน เคมีควอนตัมพยายามคาดการณ์คุณสมบัติทางกายภาพและเคมีของโมเลกุล โดยพึ่งพาการจัดเรียงของอะตอมภายในพื้นที่ 3 มิติ เพื่อให้เคมีควอนตัมสามารถกำหนดคุณสมบัติของโมเลกุลได้อย่างน่าเชื่อถือ สมการ Schrödinger ต้องได้รับการแก้ไข สมการ Schrödinger มีบทบาทเดียวกับที่การอนุรักษ์พลังงานและกฎของนิวตันในกลศาสตร์经典 คือ คาดการณ์ว่าระบบจะพฤติกรรมในอนาคตอย่างไร สมการ Schrödinger ถูกแสดงในรูปของฟังก์ชันคลื่นที่คาดการณ์ความน่าจะเป็นของผลลัพธ์หรือเหตุการณ์อย่างแม่นยำ จนถึงตอนนี้ การแก้สมการ Schrödinger เป็นเรื่องที่ยากมาก

เพื่อแก้สมการ Schrödinger นักวิจัยต้องสร้างแบบจำลองฟังก์ชันคลื่น ซึ่งเป็นวัตถุทางคณิตศาสตร์ที่สามารถระบุพฤติกรรมของอิเล็กตรอนในโมเลกุลได้ ฟังก์ชันคลื่นมีหลายมิติ และด้วยเหตุนี้ จึงยากมากที่จะเข้ารหัสความสัมพันธ์ระหว่างอิเล็กตรอน เทคนิคเคมีควอนตัมบางอย่างไม่สนใจการเข้ารหัสฟังก์ชันคลื่น แต่เน้นไปที่การกำหนดพลังงานของโมเลกุลเป้าหมาย อย่างไรก็ตาม การประมาณค่าจำเป็นต้องใช้เมื่อเน้นไปที่พลังงานของโมเลกุลเท่านั้น และการประมาณค่านี้จำกัดความสามารถในการทำนาย

“Quantum Monte Carlo” Approach with Deep Neural Networks

ตาม Phys.org นักวิจัยจาก Freie Universitat Berlin สามารถแก้สมการ Schrödinger ได้โดยใช้เทคนิคการเรียนรู้ลึก การทีมวิจัยใช้วิธีการ “Quantum Monte Carlo” ซึ่งมีความแม่นยำสูงและมีค่าใช้จ่ายในการคำนวณที่เหมาะสม นักวิจัยใช้เครือข่ายประสาทลึกเพื่อแสดงฟังก์ชันคลื่นสำหรับอิเล็กตรอน ศาสตราจารย์ Franke Noe เป็นผู้นำการวิจัย และ Noe อธิบายว่าเครือข่ายประสาทถูกออกแบบมาเพื่อเรียนรู้รูปแบบที่ซับซ้อนเกี่ยวกับวิธีการกระจายตัวของอิเล็กตรอนรอบนิวเคลียสของอะตอม

เพื่อให้นักวิจัยสามารถใช้เครือข่ายประสาทลึกเพื่อเรียนรู้รูปแบบเบื้องหลังอิเล็กตรอนได้อย่างมีประสิทธิภาพ พวกเขาต้องสร้างสถาปัตยกรรมเครือข่ายที่เหมาะสม ฟังก์ชันคลื่นของอิเล็กตรอนมีคุณสมบัติที่เรียกว่าความสมมาตรแบบแอนติ เมื่อ交換อิเล็กตรอนสองตัว ลายเซ็นของฟังก์ชันคลื่นต้องเปลี่ยนแปลง คุณสมบัตินี้ต้องได้รับการพิจารณาและรวมเข้ากับสถาปัตยกรรมเครือข่าย เครือข่ายถูกตั้งชื่อว่า “PauliNet” ตามหลักการกีดกันของ Pauli ซึ่งระบุว่า фер์มิออนสองตัวหรือมากกว่าที่เหมือนกันไม่สามารถมีอยู่ในสถานะควอนตัมเดียวกันในเวลาเดียวกันภายในระบบควอนตัม

PauliNet ยังต้องรวมคุณสมบัติทางกายภาพของฟังก์ชันคลื่นของอิเล็กตรอนเข้ากับสถาปัตยกรรมเครือข่าย แทนที่จะปล่อยให้เครือข่ายตัดสินใจโดยอาศัยการดูข้อมูลเท่านั้น เครือข่ายต้องคำนึงถึงคุณสมบัติของฟังก์ชันคลื่นตามที่ Noe อธิบายผ่าน Phys.org

“การสร้างฟิสิกส์พื้นฐานเข้าไปใน AI เป็นสิ่งจำเป็นสำหรับความสามารถในการทำนายที่มีความหมายในสนาม” Noe กล่าว “นี่คือสิ่งที่นักวิทยาศาสตร์สามารถมีส่วนร่วมอย่างมีนัยสำคัญต่อ AI และสิ่งที่กลุ่มของฉันเน้นไปที่

ทีมวิจัยยังคงต้องทำการทดลองเพิ่มเติม เพื่อปรับปรุงแนวทางของตน ก่อนที่แบบจำลองจะพร้อมที่จะนำไปใช้นอกห้องปฏิบัติการ อย่างไรก็ตาม เมื่อแนวทางนี้พร้อมสำหรับการใช้งานในอุตสาหกรรมแล้ว มันสามารถใช้ได้ในหลายสาขาต่างๆ นักวิทยาศาสตร์วัสดุสามารถใช้อัลกอริทึมเพื่อช่วยสร้างวัสดุเมตาใหม่ และอุตสาหกรรมยาสามารถใช้มันเพื่อ合成ยาที่ไม่เหมือนใครใหม่ๆ