Нове дослідження від дослідників штучного інтелекту розв’язує рівняння Шредінгера

Нещодавно опубліковане дослідження у журналі Nature Chemistry описує результати дослідження, спрямованого на розрахунок основного стану рівняння Шредінгера у квантова хімії. Проблему вирішено за допомогою застосування технік штучного інтелекту, а успіх дослідження має велике значення для квантова хімії.

Рівняння Шредінгера

Поточний метод визначення хімічних властивостей молекули ґрунтується на повільних, ресурсоємних, ретельних лабораторних експериментах. Натомість, квантова хімія намагається передбачити фізичні та хімічні властивості молекул, спираючись лише на розташування атомів у тривимірному просторі. Для того, щоб квантова хімія могла правдоподібно визначити молекулярні властивості, потрібно розв’язати рівняння Шредінгера. Рівняння Шредінгера грає ту ж роль, яку грають закон збереження енергії та закони Ньютона у класичній механіці, воно передбачає, як система буде поводитися в майбутньому. Рівняння Шредінгера виражається через хвильову функцію, яка точно передбачає ймовірність результату або події. До цього часу розв’язання рівняння Шредінгера було надзвичайно складним.

Для розв’язання рівняння Шредінгера дослідникам потрібно було правильно змоделювати хвильову функцію, математичний об’єкт, здатний визначити поведінку електронів у молекулі. Хвильові функції є високовимірними сутностями, і внаслідок цього дуже складно кодувати відносини між електронами. Деякі техніки квантова хімії не займаються кодуванням хвильової функції, зосереджуючись натомість на визначенні енергії цільової молекули. Однак потрібна апроксимація, коли зосереджуються лише на енергії молекули, і ця оцінка обмежує, наскільки корисними можуть бути передбачення.

Хоча існують інші техніки, які квантові хіміки можуть використовувати для представлення хвильової функції, вони практично незастосовні для розрахунку хвильової функції навіть декількох атомів.

“Квантова Монте-Карло” підхід з глибокими нейронними мережами

За даними Phys.org, дослідники з Freie Universitat Berlin вдалося розв’язати рівняння Шредінгера за допомогою технік глибокого навчання. Команда дослідників звернулася до “Квантова Монте-Карло” підходу, який пропонує високу точність при помірній обчислювальній вартості. Дослідники використали глибокі нейронні мережі для представлення хвильової функції електронів. Професор Франке Ное був головним дослідником дослідження, і Ное пояснив, що нейронна мережа була розроблена для вивчення складних закономірностей щодо розподілу електронів навколо ядер атомів.

Для того, щоб дослідники могли ефективно використовувати глибокі нейронні мережі для вивчення закономірностей електронів, їм потрібно було створити правильну архітектуру мережі. Електронні хвильові функції мають властивість, відому як антисиметрія. Коли два електрони обмінюються, знак хвильової функції повинен змінитися. Ця особливість мала бути врахована і властивість була закладена в архітектуру мережі. Мережа була названа “PauliNet”, отримавши назву від “принципу виключення Паулі”. Цей принцип стверджує, що два або більше ідентичних ферміонів не можуть існувати в одному й тому ж квантовому стані в квантовій системі.

PauliNet також мав інтегрувати інші фізичні властивості електронних хвильових функцій у мережу. Натомість, щоб дозволити мережі прийти до рішення лише на основі спостереження даних, мережа мала враховувати властивості хвильової функції, як пояснив Ное через Phys.org.

“Вбудовування фундаментальної фізики в штучний інтелект є суттєвим для його здатності робити значимі передбачення в галузі”, – сказав Ное. “Це саме те, де вчені можуть зробити суттєвий внесок у штучний інтелект, і саме на це зосереджена моя група.

Команда дослідників ще需要 провести більше експериментів, уточнюючи свій підхід, перш ніж модель буде готова до застосування поза лабораторією. Однак, як тільки метод буде готовий для промислового застосування, його можна буде використовувати в різних галузях. Матеріалознавці можуть використовувати алгоритм для створення нових метаматеріалів, а фармацевтична промисловість може використовувати його для синтезу нових видів ліків.