Neurale netværk giver mening med komplekse elektroninteraktioner

Forskere fra Center for Materials Technologies ved Skoltech har leveret en proof-of-concept demonstration af en neural netværksdrevet metode til at skabe en præcis udveksling-korrelation funktionel interpolation, som er kernekomponenten i tæthedsfunktionel teori. DFT er til gengæld den vigtigste numeriske metode, der bruges i kondenseret stoffysik og kvantekemi til at beregne forbindelsesreaktivitet, molekylers zonestruktur, materialers holdbarhed og andre egenskaber, der er afgørende for søgningen efter nye materialer, lægemidler og mere. Den lovende neurale netværksarkitektur blev præsenteret og analyseret i Scientific Reports .

Som beskrevet af multielektron Schrödinger-ligningen bestemmer elektronernes bevægelser i stof egenskaberne af den elektroniske struktur. For eksempel er den kemiske binding, et kernebegreb i al kemi, en kompleks korreleret bevægelse af elektroner styret af kvantemekanikkens love.

Problemet med multielektron Schrödinger-ligningen er, at selvom den er relativt let at angive, er der ikke fundet nogen analytisk løsning, og den numeriske løsning er meget kompleks og udfordrende. Her er en af ​​hovedtilgangene metoden mellemfelt (densitet), som beskriver elektronernes komplekse interaktion i form af et effektivt potentiale.

"Tæthedsfunktionsteorien forenkler tingene ved at bruge forestillingen om en elektronsky karakteriseret ved en vis lokal tæthed i stedet for at overveje individuelle elektroner," forklarede den første forfatter til undersøgelsen, Skoltech Research Engineer Alexander Ryabov.

"Denne teori har dog en vigtig ukendt værdi, kaldet exchange-correlation functional. Indtil for nylig var tendensen at tilnærme den analytisk. Det vil sige, at koefficienter i den funktionelle form blev bestemt ud fra flere kendte fysiske principper uden brug af neurale netværk . Vores metode er den første til at bruge et to-komponent neuralt netværk til dette. Neurale netværk har været aktivt ansat i denne opgave, men vores team er banebrydende for dem på dette område i Rusland."

Ifølge forskerne er det, der adskiller deres fra de konkurrerende tilgange, at træningen foregår i to faser:Først trænes et netværk, og dets vægte fryses. Så bliver der undervist i endnu en.

"Tidligere brugte folk et neuralt netværk til at tilnærme udvekslingskorrelationsfunktionen, hvorefter der skulle tages beregningstunge derivater for at finde det tilsvarende udvekslingskorrelationspotentiale. Det er derivater af en art, der ofte viser sig at være svære at beregne med anstændig nøjagtighed vha. et neuralt netværk," tilføjede Skoltech Senior Research Scientist Petr Zhilyaev, undersøgelsens hovedforsker. "I vores arbejde tilnærmer et to-komponent neuralt netværk både potentialet og det funktionelle, så der er ingen komplicerede derivater involveret, og den beregningsmæssige belastning er formindsket."

"For at køre de eksperimenter, der er rapporteret i vores papir, implementerede vi det neurale netværk i Octopus-softwarepakken til kvantekemi," sagde Ryabov. "Vi undersøgte også, hvordan træningsprocessen påvirkes af ikke-selv-konsistente tætheder. Efter at have tilføjet sådanne tætheder til træningsdatasættet, observerede vi forbedret ydeevne på molekyler, for hvilke det neurale netværk tidligere gav de værste resultater." + Udforsk yderligere

Forskere tvivler på, at DeepMinds AI er så god til fraktionelle ladningssystemer, som det ser ud til