En kunstig intelligens-algoritme kan lære kvantemekanikkens love

Kunstig intelligens kan bruges til at forudsige molekylære bølgefunktioner og molekylers elektroniske egenskaber. Denne innovative AI-metode udviklet af et team af forskere ved University of Warwick, det tekniske universitet i Berlin og universitetet i Luxembourg, kunne bruges til at fremskynde design af lægemiddelmolekyler eller nye materialer.

Kunstig intelligens og maskinlæringsalgoritmer bruges rutinemæssigt til at forudsige vores købsadfærd og til at genkende vores ansigter eller håndskrift. I videnskabelig forskning, Kunstig intelligens er ved at etablere sig som et afgørende værktøj til videnskabelig opdagelse.

I kemi, AI er blevet medvirkende til at forudsige resultaterne af eksperimenter eller simuleringer af kvantesystemer. For at opnå dette, AI skal systematisk kunne inkorporere fysikkens grundlæggende love.

Et tværfagligt team af kemikere, fysikere, og dataloger ledet af University of Warwick, og inklusive det tekniske universitet i Berlin, og University of Luxembourg har udviklet en dyb maskinlæringsalgoritme, der kan forudsige molekylers kvantetilstande, såkaldte bølgefunktioner, som bestemmer alle egenskaber ved molekyler.

AI opnår dette ved at lære at løse grundlæggende kvantemekaniske ligninger, som vist i deres papir "Forene maskinlæring og kvantekemi med et dybt neuralt netværk for molekylære bølgefunktioner, " offentliggjort i Naturkommunikation .

At løse disse ligninger på den konventionelle måde kræver massive højtydende computerressourcer (måneders regnetid), hvilket typisk er flaskehalsen for beregningsdesignet af nye specialbyggede molekyler til medicinske og industrielle applikationer. Den nyudviklede AI-algoritme kan levere præcise forudsigelser på få sekunder på en bærbar eller mobiltelefon.

Dr. Reinhard Maurer fra Institut for Kemi ved University of Warwick siger, "Dette har været en fælles treårig indsats, som krævede datalogi knowhow for at udvikle en kunstig intelligens-algoritme, der er fleksibel nok til at fange formen og adfærden af ​​bølgefunktioner, men også kemi og fysik knowhow til at behandle og repræsentere kvantekemiske data i en form, der er håndterbar for algoritmen."

Holdet kom sammen under et tværfagligt tre-måneders fellowship-program på IPAM (UCLA) om emnet maskinlæring i kvantefysik.

Prof Dr. Klaus Robert-Muller fra Institute of Software Engineering and Theoretical Computer Science ved det tekniske universitet i Berlin siger, "Dette tværfaglige arbejde er et vigtigt fremskridt, da det viser, at AI-metoder kan effektivt udføre de sværeste aspekter af kvantemolekylære simuleringer. Inden for de næste par år, AI-metoder vil etablere sig som en væsentlig del af opdagelsesprocessen inden for beregningskemi og molekylær fysik."

Professor Dr. Alexandre Tkatchenko fra Institut for Fysik og Materialeforskning ved University of Luxembourg siger, "Dette arbejde muliggør et nyt niveau af sammensat design, hvor både elektroniske og strukturelle egenskaber af et molekyle kan indstilles samtidigt for at opnå ønskede anvendelseskriterier."