Onderzoekers van het Center for Materials Technologies van Skoltech hebben een proof-of-concept-demonstratie geleverd van een neuraal netwerkgestuurde methode voor het creëren van een precieze uitwisseling-correlatie functionele interpolatie, de kerncomponent van de dichtheidsfunctionaaltheorie. DFT is op zijn beurt de belangrijkste numerieke methode die wordt gebruikt in de fysica van de gecondenseerde materie en de kwantumchemie om de reactiviteit van verbindingen, de zonale structuur van moleculen, de duurzaamheid van materialen en andere eigenschappen te berekenen die cruciaal zijn voor het zoeken naar nieuwe materialen, medicijnen en meer. De veelbelovende neurale netwerkarchitectuur werd gepresenteerd en geanalyseerd in Wetenschappelijke rapporten .

Zoals beschreven door de multi-elektron Schrödinger-vergelijking, bepalen de bewegingen van elektronen in materie de eigenschappen van de elektronische structuur. De chemische binding, een kernconcept van alle chemie, is bijvoorbeeld een complexe gecorreleerde beweging van elektronen die wordt bepaald door de wetten van de kwantummechanica.

Het probleem met de multi-elektron Schrödinger-vergelijking is dat hoewel het relatief eenvoudig te stellen is, er geen analytische oplossing is gevonden en dat de numerieke oplossing zeer complex en uitdagend is. Hier is een van de belangrijkste benaderingen de medium field (density) methode, die de complexe interactie van elektronen beschrijft in termen van een effectieve potentiaal.

"De dichtheidsfunctionaaltheorie vereenvoudigt dingen door het idee van een elektronenwolk te gebruiken die wordt gekenmerkt door een bepaalde lokale dichtheid in plaats van individuele elektronen te beschouwen", legt de eerste auteur van de studie, Skoltech Research Engineer Alexander Ryabov, uit.

"Deze theorie heeft echter een belangrijke onbekende waarde, de uitwisseling-correlatiefunctionaal genaamd. Tot voor kort was de neiging om het analytisch te benaderen. Dat wil zeggen, coëfficiënten in de functionele vorm werden bepaald op basis van verschillende bekende fysieke principes zonder toevlucht te nemen tot neurale netwerken . Onze methode is de eerste die hiervoor een tweecomponenten neuraal netwerk gebruikt. Neurale netwerken zijn actief gebruikt in deze taak, maar ons team pioniert ze op dit gebied in Rusland."

Wat hun volgens de onderzoekers onderscheidt van de concurrerende benaderingen, is dat training in twee fasen plaatsvindt:eerst wordt één netwerk getraind en worden de gewichten bevroren. Dan wordt er nog een geleerd.

"Vroeger gebruikten mensen een neuraal netwerk om de uitwisselingscorrelatiefunctionaliteit te benaderen, waarna rekenintensieve derivaten moesten worden genomen om het corresponderende uitwisselingscorrelatiepotentieel te vinden. Dit zijn afgeleiden van een soort die vaak moeilijk te berekenen zijn met behoorlijke nauwkeurigheid met behulp van een neuraal netwerk", voegde Skoltech Senior Research Scientist Petr Zhilyaev, de hoofdonderzoeker van de studie, toe. "In ons werk benadert een neuraal netwerk met twee componenten zowel het potentiële als het functionele, dus er zijn geen ingewikkelde afgeleiden bij betrokken en de rekenbelasting wordt verminderd."

"Om de experimenten uit te voeren die in ons artikel worden vermeld, hebben we het neurale netwerk geïmplementeerd in de Octopus-softwaresuite voor kwantumchemie," zei Ryabov. "We hebben ook onderzocht hoe het trainingsproces wordt beïnvloed door niet-zelfconsistente dichtheden. Nadat we dergelijke dichtheden aan de trainingsdataset hadden toegevoegd, zagen we verbeterde prestaties op moleculen waarvoor het neurale netwerk eerder de slechtste resultaten opleverde." + Verder verkennen

Wetenschappers betwijfelen of de AI van DeepMind net zo goed is voor fractionele ladingssystemen als het lijkt