Maskinlæring og kvantemekanik går sammen om at forstå vand på atomniveau

Hvorfor er vandet tættest ved omkring 4 grader Celsius? Hvorfor flyder is? Hvorfor har tungt vand et andet smeltepunkt i forhold til normalt vand? Hvorfor har snefnug en seksfoldig symmetri? Et kollaborativt studie, ledet af forskere i EPFL og netop offentliggjort i Procedurer fra National Academy of Sciences , giver fysisk indsigt i disse spørgsmål ved at gifte sig med datadrevne maskinlæringsteknikker og kvantemekanik.

Byggestenene i det mest observerbare stof er elektroner og kerner. Efter kvantemekanikkens love, deres adfærd kan beskrives i form af deres bølgefunktion, en slags diffus sky, der er relateret til sandsynligheden for at observere dem på et givet tidspunkt og tidspunkt. Ved at løse Schrodinger -ligningen, det er muligt at lave modeller og forudsigelser af ethvert materiale, inklusive vand. Men der er en fangst. Når antallet af elektroner og kerner stiger, den involverede kompleksitet bliver hurtigt umulig, selv med de hurtigste supercomputere, trods et århundrede med berømte fremskridt med at optimere sådanne beregninger. Faktisk, kvantemekaniske beregninger er stadig uoverkommelige for systemer med mere end et par hundrede atomer, eller i en længere periode end et nanosekund.

For at overvinde disse hårde begrænsninger, forskerne udnyttede et kunstigt neuralt netværk (ANN) til at lære de atomare interaktioner fra kvantemekanik. Arkitekturen for ANN'er kan repræsenteres som flere lag af indbyrdes forbundne noder, der efterligner neuronernes struktur i en menneskelig hjerne. ANN lærer først kvantemekaniske interaktioner mellem atomer, og fremsætter derefter hurtige forudsigelser om energien og kræfterne for et atomsystem, omgå behovet for at udføre dyre kvantemekaniske beregninger.

Indtil nu, det hele lyder snarere som bare endnu en succeshistorie om maskinlæring. Imidlertid, der er finesser. ANN har en restfejl i forhold til de faktiske kvantemekaniske beregninger:Det meste af tiden, det introducerer en lille mængde støj, og nogle gange gør det et vildt gæt - dette sker, når et input er meget forskelligt fra alt det allerede har lært.

Sådan undgår man faldgruberne i ANN:I stedet for at anvende ANN alene til at forudsige et atomsystem, forskerne brugte det som en surrogatmodel. I det væsentlige, beregning af materialer ved en begrænset temperatur involverer normalt mange beregningstrin, og de besværlige og gentagne dele kan delegeres til den billige surrogatmodel. Endelig, forskellen mellem surrogat og sandheden, hvilket er forskellen mellem ANN og kvantemekanikken, kan redegøres for og trækkes fra de sidste forudsigelser.

Med disse teknikker, forskerne var i stand til at gengive flere termodynamiske egenskaber af vand fra kvantemekanik, herunder densiteten af ​​is og vand forskellen i smeltetemperatur for normalt og tungt vand, og stabiliteten af ​​forskellige former for is. I øvrigt, undersøgelsen afslører flere fysiske indsigter om, hvad der giver is- og vandsystemer deres særegne egenskaber. En af de mest bemærkelsesværdige fund er, at nukleare kvanteudsving, som involverer tendensen til, at lette elementer såsom hydrogen opfører sig mere som en diffus sky frem for en lokaliseret partikel, fremme sekskantet pakning af molekyler inde i is, hvilket i sidste ende fører til seksfoldig symmetri af snefnug.