Een team van wetenschappers van de Freie Universität Berlin heeft een kunstmatige intelligentie (AI) -methode ontwikkeld voor het berekenen van de grondtoestand van de Schrödinger-vergelijking in de kwantumchemie. Het doel van de kwantumchemie is om de chemische en fysische eigenschappen van moleculen te voorspellen, uitsluitend gebaseerd op de rangschikking van hun atomen in de ruimte, het vermijden van de noodzaak van arbeidsintensieve en tijdrovende laboratoriumexperimenten. In principe, dit kan worden bereikt door het oplossen van de Schrödingervergelijking, maar in de praktijk is dit buitengewoon moeilijk.

Tot nu toe, het was onmogelijk om een ​​exacte oplossing te vinden voor willekeurige moleculen die efficiënt kan worden berekend. Maar het team van Freie Universität heeft een diepgaande leermethode ontwikkeld die een ongekende combinatie van nauwkeurigheid en rekenefficiëntie kan bereiken. AI heeft veel technologische en wetenschappelijke gebieden getransformeerd, van computervisie tot materiaalkunde. "We zijn van mening dat onze aanpak een aanzienlijke invloed kan hebben op de toekomst van de kwantumchemie, " zegt professor Frank Noé, die de teaminspanning leidde. De resultaten zijn gepubliceerd in het gerenommeerde tijdschrift Natuurchemie .

Centraal in zowel de kwantumchemie als de Schrödinger-vergelijking staat de golffunctie - een wiskundig object dat het gedrag van de elektronen in een molecuul volledig specificeert. De golffunctie is een hoogdimensionale entiteit, en het is daarom buitengewoon moeilijk om alle nuances vast te leggen die coderen hoe de individuele elektronen elkaar beïnvloeden. Veel methoden van de kwantumchemie geven de golffunctie in feite helemaal op, in plaats daarvan proberen we alleen de energie van een bepaald molecuul te bepalen. Dit vereist echter benaderingen, beperking van de voorspellingskwaliteit van dergelijke methoden.

Andere methoden vertegenwoordigen de golffunctie met behulp van een immens aantal eenvoudige wiskundige bouwstenen, maar zulke methoden zijn zo ingewikkeld dat ze voor meer dan een handjevol atomen onmogelijk in praktijk kunnen worden gebracht. "Ontsnappen aan de gebruikelijke afweging tussen nauwkeurigheid en rekenkosten is de hoogste prestatie in de kwantumchemie, " legt Dr. Jan Hermann van de Freie Universität Berlin uit, die de belangrijkste kenmerken van de methode in het onderzoek heeft ontworpen. "Tot nu toe, de meest populaire uitbijter is de extreem kosteneffectieve dichtheidsfunctionaaltheorie. Wij geloven dat diepe 'Quantum Monte Carlo, ' de aanpak die we voorstellen, gelijk zou kunnen zijn, zo niet succesvoller. Het biedt ongekende nauwkeurigheid tegen nog steeds acceptabele rekenkosten."

Het diepe neurale netwerk dat is ontworpen door het team van professor Noé is een nieuwe manier om de golffuncties van elektronen weer te geven. "In plaats van de standaardbenadering van het samenstellen van de golffunctie uit relatief eenvoudige wiskundige componenten, we hebben een kunstmatig neuraal netwerk ontworpen dat in staat is om de complexe patronen te leren van hoe elektronen zich rond de kernen bevinden, Noé legt uit. "Een bijzonder kenmerk van elektronische golffuncties is hun antisymmetrie. Als twee elektronen worden uitgewisseld, de golffunctie moet van teken veranderen. We moesten deze eigenschap inbouwen in de neurale netwerkarchitectuur voor de benadering van werk, " voegt Hermann toe. Deze functie, bekend als het uitsluitingsprincipe van Pauli, ' is waarom de auteurs hun methode 'PauliNet' noemden.

Naast het Pauli-uitsluitingsprincipe, elektronische golffuncties hebben ook andere fundamentele fysische eigenschappen, en een groot deel van het innovatieve succes van PauliNet is dat het deze eigenschappen integreert in het diepe neurale netwerk, in plaats van deep learning ze te laten ontdekken door alleen de gegevens te observeren. "Het inbouwen van de fundamentele fysica in de AI is essentieel voor zijn vermogen om zinvolle voorspellingen te doen in het veld, ", zegt Noé. "Hier kunnen wetenschappers echt een substantiële bijdrage leveren aan AI, en precies waar mijn groep zich op richt."

Er zijn nog veel uitdagingen te overwinnen voordat de methode van Hermann en Noé klaar is voor industriële toepassing. "Dit is nog steeds fundamenteel onderzoek, " zijn de auteurs het erover eens, "maar het is een frisse benadering van een eeuwenoud probleem in de moleculaire en materiaalwetenschappen, en we zijn enthousiast over de mogelijkheden die het biedt."