Sztuczna inteligencja rozwiązała równanie Schrödingera

Zespół naukowców z Freie Universität Berlin opracował metodę sztucznej inteligencji (SI) do obliczania stanu podstawowego równania Schrödingera w chemii kwantowej. Chcieli w ten sposób rozwiązać jeden z najbardziej ważkich problemów. Chodzi o to, że w chemii kwantowej badacze starają się przewidzieć właściwości nowych związków tylko na podstawie konfiguracji i rozmieszczenia atomów. Można to zrobić w laboratorium, ale zajmuje to czas i jest ogromnie kosztowne. Drugim sposobem jest rozwiązanie równania Schrödingera dla nowej cząsteczki, ale jest to niezwykle złożony problem matematyczny.

Do tej pory niemożliwe było znalezienie dokładnego rozwiązania dla dowolnej cząsteczki. Zespół z Freie Universität opracował metodę deep learning, która osiągnęła bezprecedensowe połączenie dokładności i wydajności obliczeniowej. „Uważamy, że nasze podejście może znacząco wpłynąć na przyszłość chemii kwantowej” – mówi profesor Frank Noé, który kierował pracami zespołu.

Kot Schrödingera

Główny element zarówno chemii kwantowej, jak i równania Schrödingera to funkcja falowa¹. Jest ona wielowymiarowa, dlatego niezwykle trudno uchwycić wszystkie niuanse wpływające na sposób, w jaki poszczególne elektrony oddziałują na siebie. Wiele metod chemii kwantowej nie wdraża funkcji falowej właśnie z tego powodu. Próbuje jedynie określić energię danej cząsteczki. Wymaga to jednak przybliżeń, wpływających na jakość wyników takich metod.

„Uniknięcie kompromisu między dokładnością a kosztem obliczeń jest najwyższym osiągnięciem w chemii kwantowej” – wyjaśnia dr Jan Hermann z Freie Universität Berlin, który zaprojektował kluczowe cechy metody. „Uważamy, że proponowane przez nas podejście zwane kwantowym Monte Carlo może być bardziej skuteczne, niż metody tradycyjne. Oferuje bezprecedensową dokładność przy wciąż akceptowalnym koszcie obliczeniowym”.

PauliNet

Sieć neuronowa zaprojektowana przez zespół profesora Noé to nowy sposób przedstawiania funkcji falowych elektronów. „Zamiast standardowego podejścia polegającego na budowaniu funkcji falowej ze stosunkowo prostych elementów matematycznych, zaprojektowaliśmy sieć neuronową zdolną do uczenia się złożonych wzorów rozmieszczenia elektronów wokół jąder atomów” – wyjaśnia Noé. „Szczególną cechą elektronicznych funkcji falowych jest ich antysymetria. Kiedy wymieniane są dwa elektrony, funkcja falowa musi zmienić swój znak. Wbudowaliśmy tę właściwość w architekturę sieci neuronowej” – dodaje Hermann. Ta cecha, znana jako Zakaz Pauliego², jest powodem, dla którego autorzy nazwali swoją metodę „PauliNet”.

Oprócz zakazu Pauliego, elektroniczne funkcje falowe mają również inne fundamentalne właściwości fizyczne. Sukces PauliNet polega na tym, że integruje te właściwości z siecią neuronową, zamiast pozwolić, aby głębokie uczenie się je rozwinęło, po prostu obserwując dane. „Wbudowanie podstaw fizyki w sztuczną inteligencję jest niezbędne dla jej zdolności do tworzenia prawidłowych prognoz” – mówi Noé. „To miejsce, w którym naukowcy mogą wnieść znaczący wkład w sztuczną inteligencję, i dokładnie to, na czym koncentruje się moja grupa” – dodaje dalej naukowiec.

„To są badania w początkowej fazie rozwoju” – mówią autorzy – „Jest to świeże podejście do odwiecznego problemu chemii kwantowej i jesteśmy podekscytowani możliwościami, jakie otwiera”.

Źródło: SciTechDaily

1. W mechanice kwantowej nie określamy położenia cząstki, a określamy prawdopodobieństwo jej położenia. Ponieważ ruch cząstki opisuje stowarzyszona z nią falą materii, to w miejscu przebywania cząstki fala materii ma dużą amplitudę. Natomiast gdy amplituda fali materii jest równa zeru, to prawdopodobieństwo znalezienia cząstki w tym miejscu jest pomijalnie małe
2. Podstawowa zasada mechaniki kwantowej. Mówi, że dwie jednakowe cząstki o spinie połówkowym nie mogą jednocześnie znajdować się w tym samym stanie. Znajduje zastosowanie np. w teoretycznej analizie reakcji jądrowych i reakcji z udziałem cząstek elementarnych.