Maskinlæring knækker kvantekemiens gåde

Et nyt maskinlæringsværktøj kan beregne den energi, der kræves for at lave – eller bryde – et molekyle med højere nøjagtighed end konventionelle metoder. Selvom værktøjet i øjeblikket kun kan håndtere simple molekyler, det baner vejen for fremtidig indsigt i kvantekemi.

"At bruge maskinlæring til at løse de grundlæggende ligninger, der styrer kvantekemi, har været et åbent problem i flere år, og der er en masse spænding omkring det lige nu, " siger medskaberen Giuseppe Carleo, en forsker ved Flatiron Institute's Center for Computational Quantum Physics i New York City. En bedre forståelse af dannelse og ødelæggelse af molekyler, han siger, kunne afsløre den indre funktion af de kemiske reaktioner, der er livsvigtige.

Carleo og samarbejdspartnere Kenny Choo fra University of Zurich og Antonio Mezzacapo fra IBM Thomas J. Watson Research Center i Yorktown Heights, New York, præsentere deres arbejde 12. maj i Naturkommunikation .

Holdets værktøj estimerer mængden af ​​energi, der skal til for at samle eller skille et molekyle fra hinanden, såsom vand eller ammoniak. Den beregning kræver at bestemme molekylets elektroniske struktur, som består af den kollektive opførsel af de elektroner, der binder molekylet sammen.

Et molekyles elektroniske struktur er en vanskelig ting at beregne, kræver bestemmelse af alle de potentielle tilstande, som molekylets elektroner kan være i, plus hver stats sandsynlighed.

Da elektroner interagerer og bliver kvantemekanisk viklet ind i hinanden, videnskabsmænd kan ikke behandle dem individuelt. Med flere elektroner, flere forviklinger dukker op, og problemet bliver eksponentielt sværere. Nøjagtige løsninger eksisterer ikke for molekyler, der er mere komplekse end de to elektroner, der findes i et par brintatomer. Selv tilnærmelser kæmper med nøjagtigheden, når de involverer mere end et par elektroner.

En af udfordringerne er, at et molekyles elektroniske struktur omfatter tilstande for et uendeligt antal orbitaler, der går længere og længere fra atomerne. Derudover en elektron kan ikke skelnes fra en anden, og to elektroner kan ikke indtage samme tilstand. Sidstnævnte regel er en konsekvens af udvekslingssymmetri, som styrer, hvad der sker, når identiske partikler skifter tilstand.

Mezzacapo og kolleger hos IBM Quantum udviklede en metode til at begrænse antallet af betragtede orbitaler og påtvinge udvekslingssymmetri. Denne tilgang, baseret på metoder udviklet til kvanteberegningsapplikationer, gør problemet mere beslægtet med scenarier, hvor elektroner er begrænset til forudindstillede steder, såsom i et stift gitter.

Ligheden med stive gitter var nøglen til at gøre problemet mere håndterbart. Carleo har tidligere trænet neurale netværk til at rekonstruere opførselen af ​​elektroner begrænset til stederne i et gitter. Ved at udvide disse metoder, forskerne kunne estimere løsninger på Mezzacapos komprimerede problemer. Holdets neurale netværk beregner sandsynligheden for hver tilstand. Ved at bruge denne sandsynlighed, forskerne kan estimere energien i en given tilstand. Det laveste energiniveau, kaldet ligevægtsenergien, er der, hvor molekylet er mest stabilt.

Holdets innovationer gjorde det nemmere og hurtigere at beregne et grundlæggende molekyles elektroniske struktur. Forskerne demonstrerede nøjagtigheden af ​​deres metoder ved at estimere, hvor meget energi det ville tage at trække et virkeligt molekyle fra hinanden, bryde sine bånd. De kørte beregninger for dihydrogen (H ₂ ), lithiumhydrid (LiH), ammoniak (NH ₃ ), vand (H ₂ O), diatomisk kulstof (C ₂ ) og dinitrogen (N ₂ ). For alle molekyler, holdets estimater viste sig at være meget nøjagtige selv i områder, hvor eksisterende metoder kæmper.

I fremtiden, forskerne sigter mod at tackle større og mere komplekse molekyler ved at bruge mere sofistikerede neurale netværk. Et mål er at håndtere kemikalier som dem, der findes i nitrogenkredsløbet, hvor biologiske processer bygger og nedbryder nitrogenbaserede molekyler for at gøre dem brugbare for livet. "Vi ønsker, at dette skal være et værktøj, der kan bruges af kemikere til at behandle disse problemer, " siger Carleo.

Carleo, Choo og Mezzacapo er ikke alene om at bruge maskinlæring til at tackle problemer inden for kvantekemi. Forskerne præsenterede første gang deres arbejde på arXiv.org i september 2019. I samme måned, en gruppe i Tyskland og en anden på Googles DeepMind i London udgav hver forskning ved hjælp af maskinlæring til at rekonstruere den elektroniske struktur af molekyler.

De to andre grupper bruger en lignende tilgang til hinanden, der ikke begrænser antallet af betragtede orbitaler. Denne rummelighed, imidlertid, er mere beregningsmæssigt belastende, en ulempe, der kun vil forværres med mere komplekse molekyler. Med de samme beregningsressourcer, tilgangen af ​​Carleo, Choo og Mezzacapo giver højere nøjagtighed, men de forenklinger, der er foretaget for at opnå denne nøjagtighed, kunne indføre skævheder.

"Samlet set, det er en afvejning mellem bias og nøjagtighed, og det er uklart, hvilken af ​​de to tilgange der har størst potentiale for fremtiden, " siger Carleo. "Kun tiden vil vise os, hvilke af disse tilgange der kan skaleres op til de udfordrende åbne problemer i kemi."