Nghiên cứu mới từ các nhà nghiên cứu AI giải quyết Phương trình Schrödinger

Một nghiên cứu gần đây được công bố trên tạp chí Nature Chemistry chi tiết kết quả của nghiên cứu nhằm tính toán trạng thái cơ bản của phương trình Schrödinger (SDGR ) trong hóa học lượng tử. Vấn đề này đã được giải quyết bằng cách áp dụng các kỹ thuật trí tuệ nhân tạo, và thành công của nghiên cứu này có ý nghĩa quan trọng đối với hóa học lượng tử.

Phương trình Schrödinger

Phương pháp hiện tại để xác định các tính chất hóa học của một phân tử dựa trên các thí nghiệm phòng thí nghiệm chậm, tốn nhiều tài nguyên và đòi hỏi sự kiên nhẫn. Ngược lại, hóa học lượng tử nhằm dự đoán các tính chất vật lý và hóa học của các phân tử, chỉ dựa trên sự sắp xếp của các nguyên tử trong không gian 3D. Để hóa học lượng tử có thể dự đoán các tính chất phân tử một cách hợp lý, phương trình Schrödinger cần được giải quyết. Phương trình Schrödinger đóng vai trò tương tự như bảo tồn năng lượng và định luật Newton trong cơ học cổ điển, nó dự đoán cách một hệ thống sẽ hành xử trong tương lai. Phương trình Schrödinger được biểu diễn dưới dạng một hàm sóng dự đoán chính xác xác suất của một kết quả hoặc sự kiện. Cho đến nay, việc giải phương trình Schrödinger đã chứng minh là vô cùng khó khăn.

Để giải phương trình Schrödinger, các nhà nghiên cứu cần phải mô hình hóa chính xác một hàm sóng, một đối tượng toán học có thể chỉ định các hành vi của các electron trong một phân tử. Hàm sóng là các thực thể đa chiều, và do đó, nó rất khó để mã hóa các mối quan hệ giữa các electron. Một số kỹ thuật hóa học lượng tử không quan tâm đến việc mã hóa một hàm sóng, mà tập trung vào việc xác định năng lượng của một phân tử mục tiêu. Tuy nhiên, một sự gần đúng là cần thiết khi chỉ tập trung vào năng lượng của một phân tử, và ước tính này hạn chế khả năng dự đoán.

Mặc dù có các kỹ thuật khác mà các nhà hóa học lượng tử có thể sử dụng để biểu diễn một hàm sóng, nhưng chúng基本上 không thực tế để sử dụng cho việc tính toán hàm sóng của một vài nguyên tử.

“Quantum Monte Carlo” Approach với Deep Neural Networks

Theo Phys.org, các nhà nghiên cứu từ Freie Universitat Berlin đã giải quyết được phương trình Schrödinger với sự hỗ trợ của các kỹ thuật học sâu. Đội nghiên cứu đã chuyển sang một phương pháp “Quantum Monte Carlo”, cung cấp độ chính xác cao với chi phí tính toán vừa phải. Các nhà nghiên cứu đã sử dụng các mạng nơ-ron sâu để biểu diễn hàm sóng của các electron. Giáo sư Franke Noe là nhà nghiên cứu chính của nghiên cứu, và Noe giải thích rằng mạng nơ-ron được thiết kế để học các mẫu phức tạp về cách các electron được phân bố xung quanh các hạt nhân của một nguyên tử.

Để các nhà nghiên cứu có thể sử dụng hiệu quả các mạng nơ-ron sâu để học các mẫu đằng sau các electron, họ cần phải tạo ra kiến trúc mạng phù hợp. Hàm sóng điện tử có một tính chất gọi là tính phản đối xứng. Khi hai electron được trao đổi, dấu của hàm sóng phải thay đổi. Tính chất đặc biệt này phải được tính đến và được tích hợp vào kiến trúc mạng. Mạng được đặt tên là “PauliNet”, lấy tên từ “nguyên lý loại trừ Pauli”. Nguyên lý này tuyên bố rằng hai hoặc nhiều fermion giống hệt không thể tồn tại trong cùng một trạng thái lượng tử tại cùng một thời điểm trong một hệ thống lượng tử.

PauliNet cũng phải tích hợp các tính chất vật lý khác của hàm sóng điện tử vào mạng. Thay vì cho phép mạng đưa ra quyết định chỉ bằng cách quan sát dữ liệu, mạng phải tính đến các tính chất của hàm sóng, như Noe giải thích qua Phys.org.

“Xây dựng các nguyên lý vật lý cơ bản vào trí tuệ nhân tạo là điều cần thiết cho khả năng dự đoán có ý nghĩa của nó trong lĩnh vực này,” Noe nói. “Đây thực sự là nơi các nhà khoa học có thể đóng góp đáng kể cho trí tuệ nhân tạo, và chính xác là những gì nhóm của tôi đang tập trung vào.

Đội nghiên cứu vẫn cần phải tiến hành thêm các thí nghiệm, tinh chỉnh phương pháp của họ trước khi mô hình sẵn sàng để được áp dụng ngoài phòng thí nghiệm. Tuy nhiên, một khi phương pháp này sẵn sàng cho các ứng dụng công nghiệp, nó có thể được sử dụng trong nhiều lĩnh vực khác nhau. Các nhà khoa học vật liệu có thể sử dụng thuật toán để giúp tạo ra các vật liệu mới, và ngành công nghiệp dược phẩm có thể sử dụng nó để tổng hợp các loại thuốc mới.