هوش مصنوعی با یکی از سخت ترین چالش های شیمی کوانتومی مقابله می کند

تحقیقات جدید با استفاده از شبکه های عصبی، نوعی از هوش مصنوعی الهام گرفته از مغز، راه حلی را برای چالش سخت مدل سازی حالت های مولکول ها پیشنهاد می کند.

این تحقیق نشان می دهد که چگونه این تکنیک می تواند به حل معادلات اساسی در سیستم های مولکولی پیچیده کمک کند.

این می‌تواند به استفاده‌های عملی در آینده منجر شود و به محققان کمک می‌کند تا نمونه‌های اولیه مواد و سنتزهای شیمیایی جدید را با استفاده از شبیه‌سازی رایانه‌ای قبل از تلاش برای ساخت آنها در آزمایشگاه انجام دهند.

این مطالعه به رهبری کالج امپریال لندن و دانشمندان Google DeepMind، امروز در Science منتشر شده است.

مولکول های برانگیخته

این تیم مشکل درک چگونگی انتقال مولکول ها به و از “حالت های برانگیخته” را بررسی کردند. وقتی مولکول‌ها و مواد توسط مقدار زیادی انرژی تحریک می‌شوند، مانند قرار گرفتن در معرض نور یا دمای بالا، الکترون‌های آن‌ها می‌توانند به یک پیکربندی جدید موقت که به عنوان حالت برانگیخته شناخته می‌شود، وارد شوند.

مقدار دقیق انرژی جذب شده و آزاد شده هنگام انتقال مولکول ها بین حالت ها، اثر انگشت منحصر به فردی را برای مولکول ها و مواد مختلف ایجاد می کند. این بر عملکرد فناوری‌های مختلف از پنل‌های خورشیدی و LED گرفته تا نیمه‌رساناها و فوتوکاتالیست‌ها تأثیر می‌گذارد. آنها همچنین نقش مهمی در فرآیندهای بیولوژیکی شامل نور، از جمله فتوسنتز و بینایی دارند.

با این حال، مدل‌سازی این اثر انگشت بسیار دشوار است، زیرا الکترون‌های برانگیخته ماهیت کوانتومی دارند، به این معنی که موقعیت آنها در داخل مولکول‌ها هرگز مشخص نیست و فقط می‌توانند به صورت احتمال بیان شوند.

دکتر دیوید فاو، محقق ارشد از Google DeepMind و دپارتمان فیزیک در امپریال، گفت: “نمایندگی وضعیت یک سیستم کوانتومی بسیار چالش برانگیز است. یک احتمال باید به هر پیکربندی ممکن از موقعیت های الکترون نسبت داده شود.

“فضای همه پیکربندی‌های ممکن بسیار زیاد است – اگر سعی کنید آن را به صورت شبکه‌ای با 100 نقطه در امتداد هر بعد نشان دهید، تعداد آرایش‌های الکترونی ممکن برای اتم سیلیکون از تعداد اتم‌های جهان بزرگ‌تر خواهد بود. این دقیقاً همان جایی است که ما فکر می‌کردیم شبکه‌های عصبی عمیق می‌توانند کمک کنند.”

شبکه های عصبی

محققان یک رویکرد ریاضی جدید ایجاد کردند و از آن با یک شبکه عصبی به نام FermiNet (شبکه عصبی Fermionic) استفاده کردند، که اولین نمونه ای بود که در آن از یادگیری عمیق برای محاسبه انرژی اتم ها و مولکول ها از اصول اساسی استفاده شد که به اندازه کافی دقیق بود که مفید باشد. .

این تیم رویکرد خود را با طیف وسیعی از مثال‌ها و با نتایج امیدوارکننده آزمایش کرد. روی یک مولکول کوچک اما پیچیده به نام دیمر کربن، آنها به میانگین خطای مطلق (MAE) 4 مگا الکترون ولت (میلی الکترون ولت — اندازه گیری کوچکی از انرژی) دست یافتند که پنج برابر بیشتر از روش های استاندارد طلای قبلی که به 20 مگا ولت می رسید به نتایج تجربی نزدیک تر است. .

دکتر Pfau گفت: “ما روش خود را روی برخی از چالش‌برانگیزترین سیستم‌ها در شیمی محاسباتی آزمایش کردیم، که در آن دو الکترون به طور همزمان برانگیخته می‌شوند و دریافتیم که در حدود 0.1 eV از سخت‌ترین و پیچیده‌ترین محاسبات انجام شده تا به امروز هستیم.

“امروز، ما آخرین کار خود را منبع باز می سازیم و امیدواریم که جامعه تحقیقاتی روش های ما را برای کشف روش های غیرمنتظره ای که ماده با نور برهم کنش می کند، استوار کند.”