شبکه های عصبی برهمکنش های پیچیده الکترونی را معنا می کنند

8 سپتامبر 2022 -توسط موسسه علم و فناوری Skolkovo

توپولوژی شبکه عصبی XC. از دو بخش تشکیل شده است: NN-E εxc را پیش بینی می کند و NN-V vxc را پیش بینی می کند. هر بخش از شبکه عصبی از 4 لایه هر یک از 100 نورون تشکیل شده است. برای هر دو بخش اطلاعات مربوط به چگالی محلی و مشتقات آن مورد نیاز است. اعتبار: گزارش های علمی (2022). DOI: 10.1038/s41598-022-18083-1

محققان مرکز فناوری‌های مواد در Skoltech یک روش مبتنی بر شبکه عصبی را برای ایجاد یک درونیابی عملکردی همبستگی مبادله دقیق، که جزء اصلی نظریه تابعی چگالی است، ارائه کرده‌اند. DFT، به نوبه خود، روش عددی اصلی است که در فیزیک ماده متراکم و شیمی کوانتومی برای محاسبه واکنش‌پذیری ترکیب، ساختار ناحیه‌ای مولکول‌ها، دوام مواد، و سایر خواص حیاتی برای جستجوی مواد جدید، داروها و موارد دیگر استفاده می‌شود. معماری شبکه عصبی امیدوارکننده در گزارش های علمی ارائه و تحلیل شد.

همانطور که با معادله چند الکترونی شرودینگر توضیح داده شده است، حرکت الکترون ها در ماده خواص ساختار الکترونیکی را تعیین می کند. به عنوان مثال، پیوند شیمیایی، مفهوم اصلی تمام شیمی، یک حرکت همبسته پیچیده از الکترون ها است که توسط قوانین مکانیک کوانتومی کنترل می شود.

مشکل معادله چند الکترونی شرودینگر این است که در حالی که بیان آن نسبتا آسان است، هیچ راه حل تحلیلی پیدا نشده است، و حل عددی بسیار پیچیده و چالش برانگیز است. در اینجا، یکی از رویکردهای اصلی، روش میدان متوسط ​​(چگالی) است که برهمکنش پیچیده الکترون ها را بر حسب پتانسیل موثر توصیف می کند.

الکساندر ریابوف، مهندس تحقیقاتی Skoltech توضیح داد: «نظریه تابع چگالی با استفاده از مفهوم ابر الکترونی که با چگالی محلی خاص مشخص می‌شود، به جای در نظر گرفتن تک تک الکترون‌ها، کارها را ساده می‌کند.

با این حال، این نظریه دارای یک مقدار ناشناخته مهم است که به نام تابع تبادل-همبستگی نامیده می شود. تا همین اواخر، تمایل به تقریب آن به صورت تحلیلی بود. یعنی ضرایب در شکل تابع بر اساس چندین اصل فیزیکی شناخته شده بدون توسل به شبکه های عصبی تعیین می شدند. روش ما اولین روشی است که از یک شبکه عصبی دو جزئی برای این کار استفاده می کند. شبکه های عصبی به طور فعال در این کار به کار گرفته شده اند، اما تیم ما در روسیه در این زمینه پیشگام است.”

به گفته محققان، آنچه رویکرد آنها را از رویکردهای رقابتی متمایز می کند این است که آموزش در دو مرحله انجام می شود: اول، یک شبکه آموزش داده می شود و وزن های آن ثابت می شود. سپس یکی دیگر آموزش داده می شود.

“پیش از این، محققان از یک شبکه عصبی برای تقریب عملکرد همبستگی مبادله استفاده می کردند، پس از آن باید مشتقات محاسباتی فشرده برای یافتن پتانسیل تبادل همبستگی مربوطه استفاده می شد. این مشتقات از نوعی هستند که محاسبه با دقت مناسب با استفاده از آنها اغلب دشوار است. پیتر ژیلیایف، محقق ارشد پژوهشی Skoltech، محقق اصلی این مطالعه، افزود: یک شبکه عصبی. “در کار ما، یک شبکه عصبی دو جزئی هم پتانسیل و هم عملکرد را تقریب می‌کند، بنابراین هیچ مشتق پیچیده‌ای درگیر نیست و بار محاسباتی کاهش می‌یابد.”

ریابوف گفت: «برای اجرای آزمایش‌های گزارش‌شده در مقاله ما، شبکه عصبی را در مجموعه نرم‌افزار Octopus برای شیمی کوانتومی پیاده‌سازی کردیم. ما همچنین بررسی کردیم که چگونه فرآیند آموزش تحت تأثیر چگالی‌های ناسازگار قرار می‌گیرد. پس از افزودن چنین چگالی‌هایی به مجموعه داده‌های آموزشی، عملکرد بهبود یافته‌ای را روی مولکول‌هایی مشاهده کردیم که شبکه عصبی قبلاً بدترین نتایج را برای آنها ایجاد می‌کرد.»