21 دسامبر 2020توسط Freie Universitaet Berlin
گروهی از دانشمندان در دانشگاه فرای برلین روش هوش مصنوعی (AI) را برای محاسبه وضعیت پایه معادله شرودینگر در شیمی کوانتوم ایجاد کرده اند. هدف از شیمی کوانتوم پیش بینی خصوصیات شیمیایی و فیزیکی مولکولها فقط، به منظور جلوگیری از نیاز به آزمایشهای آزمایشگاهی پرمصرف و زمانبر، بر اساس ترتیب اتمهای آنها در فضا است. اصولاً با حل معادله شرودینگر می توان به این مهم دست یافت ، اما در عمل این کار بسیار دشوار است.
تاکنون یافتن یک راه حل دقیق برای مولکولهای دلخواه که بتواند به طور کارآمد محاسبه شود غیرممکن بوده است. اما تیم در دانشگاه Freie یک روش یادگیری عمیق ایجاد کرده است که می تواند ترکیبی بی سابقه از دقت و کارایی محاسباتی را به دست آورد. هوش مصنوعی بسیاری از زمینه های فنی و علمی از بینایی رایانه گرفته تا علم مواد را دگرگون کرده است. پروفسور فرانک نوئه ، که رهبری تیم را بر عهده داشته ، می گوید: “ما معتقدیم که رویکرد ما ممکن است به طور قابل توجهی بر آینده شیمی کوانتوم تأثیر بگذارد.” نتایج در مجله معتبر Nature Chemistry منتشر شد.
هم در شیمی کوانتوم و هم در معادله شرودینگر ، تابع موج مهم است – یک معادله ریاضی که رفتار الکترون های یک مولکول را کاملاً مشخص می کند. تابع موج موجودی با ابعاد بالا است و بنابراین به دست آوردن همه تفاوت های ظریف رمزگذاری کننده تأثیر الکترونهای جداگانه بر روی یکدیگر بسیار دشوار است. در واقع بسیاری از روش های شیمی کوانتوم از بیان عملکرد موج به طور کلی منصرف می شوند ، در عوض فقط برای تعیین انرژی یک مولکول معین تلاش می کنند. با این حال ، این امر نیاز به تقریب هایی دارد که کیفیت پیش بینی چنین روش هایی را محدود می کند.
روشهای دیگر نشان دهنده عملکرد موج با استفاده از تعداد بسیار زیادی از بلوک های ساختمانی ساده ریاضی است ، اما چنین روش هایی بسیار پیچیده هستند که عملی شدن آنها برای بیش از تعداد انگشت شماری از اتم ها غیرممکن است. دکتر یان هرمان از دانشگاه فرای برلین ، که خصوصیات اصلی این روش را طراحی کرده است ، توضیح می دهد: “فرار از معامله معمول بین دقت و هزینه محاسباتی بالاترین دستاورد در شیمی کوانتوم است.” “هنوز مشهورترین نظریه کاربردی چگالی بسیار مقرون به صرفه است. ما اعتقاد داریم که در رابطه با ” کوانتوم مونت کارلو ” بصورت عمیق ، رویکردی که ما پیشنهاد می دهیم ، اگر موفقیت آمیزتر نباشد ، می تواند به همان اندازه باشد و دقت بی سابقه ای را ارائه می دهد و هزینه محاسباتی آن قابل قبول است. “
شبکه عصبی عمیق طراحی شده توسط تیم پروفسور Noé راهی جدید برای نمایش توابع موج الکترون ها است. نوئه توضیح می دهد: “ما به جای رویكرد استاندارد تركیب تابع موج از مولفه های نسبتاً ساده ریاضی ، یك شبكه عصبی مصنوعی طراحی كردیم كه قادر به یادگیری الگوهای پیچیده نحوه قرار گرفتن الكترون ها در اطراف هسته ها است.” “هرمان” اضافه می کند: “یکی از ویژگی های خاص توابع موج الکترونی ، عدم تقارن آنهاست. هنگامی که دو الکترون رد و بدل می شوند ، تابع موج باید علامت خود را تغییر دهد. ما مجبور شدیم این ویژگی را در ساختار شبکه عصبی برای رویکرد کار بسازیم. این ویژگی که به عنوان “اصل طرد پاولی” شناخته می شود ، به همین دلیل نویسندگان روش خود را “PauliNet” نامیدند.
علاوه بر اصل طرد پائولی ، توابع موج الکترونیکی دارای ویژگیهای اساسی فیزیکی دیگری نیز هستند و بسیاری از موفقیتهای ابتکاری PauliNet این است که این خصوصیات را در شبکه عصبی عمیق ادغام می کند ، نه اینکه اجازه دهد یادگیری عمیق آنها را فقط با مشاهده داده ها رقم بزند. Noé می گوید: “ساخت فیزیك بنیادی در AI برای توانایی آن در پیش بینی های معنی دار در این زمینه ضروری است.” “این در واقع جایی است که دانشمندان می توانند سهم قابل توجهی در هوش مصنوعی داشته باشند ، و دقیقاً همان چیزی که گروه من روی آن متمرکز هستند.”
قبل از آماده شدن روش هرمان و نوئه برای کاربردهای صنعتی هنوز چالش های زیادی وجود دارد که باید برطرف شود. نویسندگان ابرازمی کنند ، “این هنوز یک تحقیق بنیادی است ، اما این رویکرد تازه ای برای یک مسئله قدیمی در علوم مولکولی و مادی است و ما از امکاناتی که برای آن ایجاد می شود هیجان زده هستیم.”
