Η τεχνητή νοημοσύνη στην κβαντική χημεία έκανε πρόσφατα ένα τεράστιο άλμα, σηματοδοτώντας μια στιγμή ορόσημο τόσο για την τεχνητή νοημοσύνη όσο και για την επιστήμη των υλικών.
Νέα έρευνα που διεξήχθη από μια συνεργασία μεταξύ του Imperial College του Λονδίνου και της Google DeepMind δείχνει πώς τα νευρωνικά δίκτυα μπορούν να μοντελοποιήσουν αποτελεσματικά τις διεγερμένες μοριακές καταστάσεις.
Η ανακάλυψη όχι μόνο υπόσχεται μια βαθύτερη κατανόηση των πολύπλοκων μοριακών συστημάτων, αλλά ανοίγει επίσης το δρόμο για προόδους στη βιώσιμη τεχνολογία, όπως ηλιακά κύτταρα και φωτοκαταλύτες.
Γιατί να χρησιμοποιήσετε το AI στην κβαντική χημεία;
Η μελέτη, που δημοσιεύτηκε στο περιοδικό Επιστήμηαντιμετωπίζει την πρόκληση της μοντελοποίησης της κβαντικής συμπεριφοράς των μορίων σε διεγερμένες καταστάσεις. Μια διεγερμένη κατάσταση εμφανίζεται όταν ένα μόριο απορροφά ενέργεια —συχνά μέσω φωτός ή θερμότητας— με αποτέλεσμα τα ηλεκτρόνια του να εισέλθουν σε μια υψηλότερη ενεργειακή διαμόρφωση.
Η κατανόηση αυτών των μεταβάσεων είναι ζωτικής σημασίας για διάφορες τεχνολογίες, συμπεριλαμβανομένων των ηλιακών συλλεκτών, των διόδων εκπομπής φωτός (LED), ακόμη και των φυσικών διεργασιών όπως η φωτοσύνθεση και η ανθρώπινη όραση.
Παρά τη σημασία τους, η ακριβής μοντελοποίηση διεγερμένων καταστάσεων είναι από καιρό μια τρομακτική πρόκληση στην κβαντική χημεία. Η ρίζα αυτής της δυσκολίας βρίσκεται στην κβαντική φύση των ηλεκτρονίων, η οποία δεν μπορεί να προσδιοριστεί με ακρίβεια. Αντίθετα, οι τοποθεσίες τους πρέπει να περιγράφονται πιθανολογικά.
Δρ David Pfauο επικεφαλής ερευνητής από το Google DeepMind και το Imperial College του Λονδίνου, εξήγησε ότι η αναπαράσταση της κατάστασης ενός κβαντικού συστήματος απαιτεί την ανάθεση πιθανοτήτων σε κάθε δυνητική διαμόρφωση θέσεων ηλεκτρονίων.
Αναλυτικά,
«Αν προσπαθήσατε να το αναπαραστήσετε ως ένα πλέγμα με 100 σημεία σε κάθε διάσταση, τότε ο αριθμός των πιθανών διαμορφώσεων ηλεκτρονίων για το άτομο του πυριτίου θα ήταν μεγαλύτερος από τον αριθμό των ατόμων στο σύμπαν».
Αυτή η πολυπλοκότητα είναι όπου η εφαρμογή της τεχνητής νοημοσύνης στην κβαντική χημεία λάμπει, ιδιαίτερα μέσω της χρήσης βαθιών νευρωνικών δικτύων.
Ο ρόλος της FermiNet
Το νευρωνικό δίκτυο που χρησιμοποιείται σε αυτή την πρωτοποριακή έρευνα είναι γνωστό ως FermiNet, συντομογραφία του Fermionic Neural Network.
Το καινοτόμο μοντέλο ήταν από τις πρώτες εφαρμογές βαθιάς μάθησης να υπολογίσει την ενέργεια των ατόμων και των μορίων με βάση θεμελιώδεις αρχές, επιτυγχάνοντας ένα επίπεδο ακρίβειας που είναι πρακτικό για χρήση στον πραγματικό κόσμο.
Οι ερευνητές ανέπτυξαν α νέο μαθηματικό πλαίσιο σε συνδυασμό με αυτό το μοντέλο AIεπιτρέποντάς τους να αντιμετωπίσουν τις θεμελιώδεις εξισώσεις που περιγράφουν μοριακές καταστάσεις με νέο τρόπο.
Το κύριο επίτευγμα αυτής της έρευνας ήταν η ικανότητα της ομάδας να μοντέλο του διμερούς άνθρακαένα μικρό αλλά πολύπλοκο μόριο, με αξιοσημείωτη ακρίβεια. Πέτυχαν ένα μέσο απόλυτο σφάλμα (MAE) μόλις 4 millielectrovolt (meV), βελτιώνοντας σημαντικά σε σχέση με προηγούμενες μεθόδους που είχαν σφάλμα χρυσού προτύπου 20 meV.
Το διμερές άνθρακα διαθέτει αυτό που είναι γνωστό ως ισχυρή συσχέτιση ηλεκτρονίων. Με απλά λόγια, οι αλληλεπιδράσεις μεταξύ των ηλεκτρονίων στο μόριο είναι εξαιρετικά αλληλεξαρτώμενες και δύσκολο να συλληφθούν χρησιμοποιώντας παραδοσιακές υπολογιστικές μεθόδους. Αυτό συμβαίνει επειδή τα ηλεκτρόνια σε ένα μικρό σύστημα όπως το C2 είναι σφιχτά συσκευασμένα, οδηγώντας σε περίπλοκες κβαντομηχανικές αλληλεπιδράσεις που δεν μπορούν εύκολα να απλοποιηθούν.
Αυτή η πρόοδος σημαίνει ότι Οι προβλέψεις είναι πλέον πολύ πιο κοντά στα πειραματικά αποτελέσματαενισχύοντας την αξιοπιστία των προσομοιώσεων που περιλαμβάνουν διεγερμένες καταστάσεις.
Επιπλέον, οι ερευνητές επέκτειναν τις δυνατότητες του νευρωνικού τους δικτύου δοκιμάζοντας το σε υπολογιστικά δύσκολα σενάρια όπου δύο ηλεκτρόνια διεγείρονταν ταυτόχρονα. Ο ακρίβεια του μοντέλου τους ήταν εντός περίπου 0,1 ηλεκτρονβολτ (eV) από τους πιο περίπλοκους υπολογισμούς που είναι διαθέσιμοι σήμερα.
Απεικονίζοντας το αδιανόητο
Οι επιπτώσεις αυτής της έρευνας εκτείνονται πολύ πέρα από την ακαδημαϊκή περιέργεια. Για τις βιομηχανίες που επικεντρώνονται σε λύσεις βιώσιμης ενέργειας και αποδοτικές τεχνολογίες φωτισμού, η ικανότητα ακριβούς πρόβλεψης μοριακών συμπεριφορών όταν διεγείρονται από το φως μπορεί να οδηγήσει σε σημαντικές προόδους. Τεχνολογίες όπως τα ηλιακά κύτταρα και οι φωτοκαταλύτες, που βασίζονται σε μεγάλο βαθμό στην κατανόηση των διεγερμένων μοριακών καταστάσεων, μπορούν να ωφεληθούν πάρα πολύ από αυτή τη νέα προσέγγιση.
Με τη χρήση της τεχνητής νοημοσύνης για την αντιμετώπιση ενός από τα πιο περίπλοκα προβλήματα στη φυσική χημεία, η μελέτη θέτει το έδαφος για πιο αποτελεσματικές προσομοιώσεις στην επιστήμη των υλικών και όχι μόνο. Αντί να εξαρτώνται αποκλειστικά από πειραματικές μεθόδους, οι οποίες είναι συχνά χρονοβόρες και δαπανηρές, οι επιστήμονες έχουν πλέον πρόσβαση σε ένα πιο ακριβές υπολογιστικό εργαλείο που φέρνει τα θεωρητικά μοντέλα πιο κοντά στα σενάρια του πραγματικού κόσμου.
Η ενσωμάτωση τεχνικών βαθιάς μάθησης στη χημεία μέσω της τεχνητής νοημοσύνης στην κβαντική χημεία θα μπορούσε να επιταχύνει τις ανακαλύψεις και τις τεχνολογικές εξελίξεις σε μια σειρά βιομηχανιών. Καθώς η έρευνα σε αυτόν τον τομέα συνεχίζεται, ο συνδυασμός νευρωνικών δικτύων και προηγμένων μαθηματικών πλαισίων θα μπορούσε να οδηγήσει σε νέα παραδείγματα στην κατανόηση των μοριακών αλληλεπιδράσεων, ωφελώντας τελικά την κοινωνία γενικότερα.
Πιστώσεις εικόνας: Εμρέ Τσιτάκ/Ιδεόγραμμα AI
VIA: DataConomy.com
