Τα τελευταία χρόνια υπήρξαν καταπληκτικές εξελίξεις στον τομέα τουΤεχνητή νοημοσύνηΕιδικά σε σχέση με τα νευρωνικά δίκτυα, τα οποία έχουν αναπτυχθεί για διάφορους σκοπούς για την επίλυση πολύπλοκων προβλημάτων, που κυμαίνονται από την αυτοματοποίηση συστημάτων υπολογιστών (όπως αναγνώριση προσώπου ή μηχανική εκμάθηση) έως μια καθαρά μαθηματική λύση. Πρόσφατα, μια ομάδα ερευνητών εκμεταλλεύτηκε αυτό το δίκτυο τεχνητής νοημοσύνης, αναπτύσσοντας μια μέθοδο ικανή να υπολογίσει τα eigenstates (λύσεις) της διάσημης εξίσωσης Schrödinger στην κβαντική χημεία.
Ο στόχος της κβαντικής χημείας είναι η πρόβλεψη των χημικών και φυσικών ιδιοτήτων των μορίων που βασίζονται αποκλειστικά στη διάταξη των ατόμων τους στο διάστημα και στην αποφυγή της ανάγκης για εργαστηριακά πειράματα που απαιτούν πολλούς πόρους και χρόνο. Κατ ‘αρχήν, αυτό μπορεί να επιτευχθεί με την επίλυση της εξίσωσης Schrödinger, αλλά στην πραγματικότητα είναι πολύ δύσκολο έργο. Για να ξεπεραστεί αυτό το πρόβλημα, μια ομάδα ερευνητών από το Freie Universität Berlin, Γερμανία, έχει αναπτύξει μια μέθοδο βασισμένη σε νευρωνικά δίκτυα που επιτρέπει έναν άνευ προηγουμένου συνδυασμό ακρίβειας και υπολογιστικής αποτελεσματικότητας για την επίτευξη του αποτελέσματος.
Μέχρι τώρα, ήταν αδύνατο να βρεθεί μια ακριβής λύση για τα τυχαία σωματίδια που θα μπορούσαν να υπολογιστούν αποτελεσματικά. ” Πιστεύουμε ότι η προσέγγισή μας θα μπορούσε να έχει τεράστιο αντίκτυπο στο μέλλον της κβαντικής χημείας Λέει ο καθηγητής Frank Noy που ηγήθηκε της ομάδας. Τα αποτελέσματα της μελέτης έχουν δημοσιευτεί στο περιοδικό Φύση Χημεία.
Αποδράστε από την ακρίβεια / προσαρμογή κόστους
Λειτουργία κύματος – που καθορίζει μια συμπεριφορά Ηλεκτρόνιοs σε ένα μόριο – στην καρδιά της κβαντικής χημείας και της εξίσωσης Schrödinger. Πρόκειται για μια οντότητα υψηλής διαστάσεων, και έτσι είναι εξαιρετικά δύσκολο να κατανοήσουμε όλες τις αποχρώσεις που κωδικοποιούν το δρόμο Ηλεκτρόνια Τα άτομα επηρεάζουν το ένα το άλλο. Επιπλέον, πολλές μέθοδοι κβαντικής χημείας εγκαταλείπουν την έκφραση της κυματοσυνάρτησης στο σύνολό της, και προσπαθούν μόνο να προσδιορίσουν την ενέργεια ενός συγκεκριμένου μορίου. Ωστόσο, απαιτούνται σκληρές εκτιμήσεις, γεγονός που περιορίζει την προγνωστική ποιότητα αυτών των μεθόδων.
Άλλες μέθοδοι αντιπροσωπεύουν τη λειτουργία κύματος χρησιμοποιώντας έναν τεράστιο αριθμό απλών μαθηματικών δομικών στοιχείων, αλλά αυτές οι μέθοδοι είναι τόσο περίπλοκες που είναι αδύνατο να εξασκηθούν περισσότερα από μια χούφτα ατόμων. . ” Η απόδραση από τον συνηθισμένο συμβιβασμό μεταξύ ακρίβειας και υπολογιστικού κόστους είναι το μεγαλύτερο επίτευγμα της κβαντικής χημείας », Εξηγεί ο Δρ Jan Hermann του Freie Universität Berlin, ο οποίος έχει σχεδιάσει τα κύρια χαρακτηριστικά της μεθόδου που μελετήθηκε εδώ.
« Η πιο συνηθισμένη από αυτές τις αποκλίσεις μέχρι σήμερα ήταν η πολύ αποδοτική λειτουργική θεωρία της πυκνότητας. Πιστεύουμε ότι η βαθιά κβαντική μέθοδος που προτείνουμε θα μπορούσε να είναι εξίσου αποτελεσματική, αν όχι πιο αποτελεσματική. Παρέχει πρωτοφανή ακρίβεια με αποδεκτό κόστος υπολογισμού “, Αυτός προσθέτει.
Ένας νέος τρόπος αναπαραγωγής των κυματομορφών των ηλεκτρονίων
Το βαθύ νευρωνικό δίκτυο που έχει σχεδιαστεί από την ομάδα του καθηγητή Noy είναι ένας νέος τρόπος αναπαραγωγής των κυματομορφών των ηλεκτρονίων. ” Αντί της τυπικής προσέγγισης για τη διαμόρφωση της λειτουργίας κύματος από σχετικά απλά μαθηματικά στοιχεία, σχεδιάσαμε ένα τεχνητό νευρικό δίκτυο που είναι σε θέση να μάθει τα περίπλοκα πρότυπα του τρόπου με τον οποίο τα ηλεκτρόνια βρίσκονται γύρω από τους πυρήνες. Ο Νόι εξηγεί.
« Ένα ιδιαίτερο χαρακτηριστικό των λειτουργιών κύματος ηλεκτρονίων είναι η ασυμμετρία τους. Όταν ανταλλάσσονται δύο ηλεκτρόνια, το σήμα της λειτουργίας κύματος πρέπει να αλλάξει. Έπρεπε να ενσωματώσουμε αυτήν την ιδιότητα στην αρχιτεκτονική του νευρικού δικτύου για την επιχειρηματική προσέγγιση. Ο Χέρμαν προσθέτει. Αυτή η ιδιότητα, γνωστή ως “αρχή αποκλεισμού Pauli”, είναι ο λόγος για τον οποίο οι συγγραφείς της μελέτης ονόμασαν τη μέθοδο τους “PauliNet”, ένα σύστημα μάθησης για τη λειτουργία βαθύ κύματος που επιτρέπει σχεδόν ακριβείς λύσεις στην ηλεκτρονική εξίσωση Schrödinger για σωματίδια έως 30 ηλεκτρονίων.
Εκτός από την αρχή αποκλεισμού Pauli, οι λειτουργίες κύματος ηλεκτρονίων έχουν επίσης άλλες θεμελιώδεις φυσικές ιδιότητες και μεγάλο μέρος της καινοτόμου επιτυχίας του PauliNet είναι ότι ενσωματώνουν αυτές τις ιδιότητες στο βαθύ νευρικό δίκτυο, αντί να αφήνουν τη βαθιά μάθηση να ανακαλυφθεί με απλή παρατήρηση των δεδομένων. ” Η ενσωμάτωση της βασικής φυσικής στο AI είναι απαραίτητη για την ικανότητά της να κάνει σημαντικές προβλέψεις στον τομέα », Ανακοινώνει ο Νώε. ” Εδώ ακριβώς οι επιστήμονες μπορούν να συμβάλουν σημαντικά στην τεχνητή νοημοσύνη, και αυτό ακριβώς εστιάζει η ομάδα μου. ».
Ωστόσο, εξακολουθούν να υπάρχουν πολλές προκλήσεις που πρέπει να ξεπεραστούν προτού η μέθοδος που παρουσιάζεται εδώ είναι έτοιμη για βιομηχανική εφαρμογή. ” Είναι ακόμα βασική έρευνα, αλλά είναι μια νέα προσέγγιση για ένα αιώνων πρόβλημα στην επιστήμη των μορίων και των υλικών και είμαστε ενθουσιασμένοι για τις δυνατότητες που ανοίγει. «Οι ερευνητές καταλήγουν.
Για ερευνητές: Όλος ο κώδικας υπολογιστή που αναπτύχθηκε ως μέρος αυτής της εργασίας διατίθεται σε ένα ειδικά δημοσιευμένο πακέτο “DeepQMC”. Στο Zenodo (Άδεια MIT).
Πηγή: Φύση Χημεία
“Ερασιτέχνης διοργανωτής. Εξαιρετικά ταπεινός web maven. Ειδικός κοινωνικών μέσων Wannabe. Δημιουργός. Thinker.”