Kunstig intelligens løser Schrödingers ligning

Et team af forskere ved Freie Universität Berlin har udviklet en kunstig intelligens (AI) metode til at beregne grundtilstanden for Schrödinger-ligningen i kvantekemi. Målet med kvantekemi er at forudsige kemiske og fysiske egenskaber af molekyler udelukkende baseret på arrangementet af deres atomer i rummet, undgå behovet for ressourcekrævende og tidskrævende laboratorieforsøg. I princippet, dette kan opnås ved at løse Schrödinger-ligningen, men i praksis er dette ekstremt svært.

Indtil nu, det har været umuligt at finde en nøjagtig løsning for vilkårlige molekyler, der kan beregnes effektivt. Men teamet på Freie Universität har udviklet en deep learning-metode, der kan opnå en hidtil uset kombination af nøjagtighed og beregningseffektivitet. AI har transformeret mange teknologiske og videnskabelige områder, fra computersyn til materialevidenskab. "Vi tror på, at vores tilgang i høj grad kan påvirke fremtiden for kvantekemi, siger professor Frank Noé, der ledede holdindsatsen. Resultaterne blev offentliggjort i det velrenommerede tidsskrift Naturkemi .

Centralt for både kvantekemi og Schrödinger-ligningen er bølgefunktionen - et matematisk objekt, der fuldstændigt specificerer elektronernes adfærd i et molekyle. Bølgefunktionen er en højdimensionel enhed, og det er derfor ekstremt svært at fange alle de nuancer, der koder for, hvordan de enkelte elektroner påvirker hinanden. Mange metoder inden for kvantekemi opgiver faktisk helt at udtrykke bølgefunktionen, i stedet forsøger man kun at bestemme energien af ​​et givet molekyle. Dette kræver dog, at der foretages tilnærmelser, begrænser forudsigelseskvaliteten af ​​sådanne metoder.

Andre metoder repræsenterer bølgefunktionen ved brug af et enormt antal simple matematiske byggeklodser, men sådanne metoder er så komplekse, at de er umulige at implementere for mere end blot en håndfuld atomer. "At undslippe den sædvanlige afvejning mellem nøjagtighed og beregningsomkostninger er den højeste præstation inden for kvantekemi, " forklarer Dr. Jan Hermann fra Freie Universität Berlin, hvem der har designet hovedtræk ved metoden i undersøgelsen. "Endnu, den mest populære sådan afviger er den ekstremt omkostningseffektive tæthed funktionelle teori. Vi tror på, at dybe 'Quantum Monte Carlo, den tilgang, vi foreslår, kunne være lige meget, hvis ikke mere vellykket. Det giver en hidtil uset nøjagtighed til en stadig acceptabel beregningsomkostning."

Det dybe neurale netværk designet af professor Noés team er en ny måde at repræsentere elektronernes bølgefunktioner på. "I stedet for standardmetoden med at sammensætte bølgefunktionen ud fra relativt simple matematiske komponenter, vi designet et kunstigt neuralt netværk, der er i stand til at lære de komplekse mønstre af, hvordan elektroner er placeret omkring kernerne, " Noé forklarer. "Et ejendommeligt træk ved elektroniske bølgefunktioner er deres antisymmetri. Når to elektroner udveksles, bølgefunktionen skal ændre sit fortegn. Vi var nødt til at bygge denne egenskab ind i den neurale netværksarkitektur for tilgangen til arbejde, " tilføjer Hermann. Denne funktion, kendt som 'Paulis udelukkelsesprincip, ' er grunden til, at forfatterne kaldte deres metode 'PauliNet.'

Udover Pauli udelukkelsesprincippet, elektroniske bølgefunktioner har også andre grundlæggende fysiske egenskaber, og meget af PauliNets innovative succes er, at det integrerer disse egenskaber i det dybe neurale netværk, i stedet for at lade dyb læring finde ud af dem ved blot at observere dataene. "At bygge den grundlæggende fysik ind i AI er afgørende for dens evne til at lave meningsfulde forudsigelser i feltet, " siger Noé. "Det er virkelig her, videnskabsmænd kan yde et væsentligt bidrag til kunstig intelligens, og præcis hvad min gruppe er fokuseret på."

Der er stadig mange udfordringer at overvinde, før Hermann og Noés metode er klar til industriel anvendelse. "Dette er stadig grundforskning, "forfatterne er enige, "men det er en frisk tilgang til et ældgammelt problem inden for molekylær- og materialevidenskab, og vi er spændte på de muligheder, det åbner op for."