L’intelligenza artificiale risolve l’equazione di Schrödinger, una domanda fondamentale nella chimica quantistica

Condividi l'articolo

Per risolvere un problema fondamentale della chimica quantistica, gli scienziati della Freie Universität Berlin stanno sviluppando un sistema di apprendimento profondo.

Un metodo di intelligenza artificiale (AI) è stato sviluppato da un team di scienziati della Freie Universität Berlin per misurare lo stato fondamentale dell’equazione di Schrödinger nella chimica quantistica.

Lo scopo della chimica quantistica è prevedere le proprietà chimiche e fisiche delle molecole basandosi esclusivamente sulla disposizione dei loro atomi nello spazio, eliminando la necessità di esperimenti di laboratorio che consumano energia e tempo.

Questo può essere fatto in teoria risolvendo l’equazione di Schrödinger, ma in pratica è estremamente difficile.

Fino ad ora, per molecole arbitrarie, non è stato possibile trovare una soluzione esatta misurabile in modo efficace.

Ma il team della Freie Universität ha sviluppato un approccio di apprendimento profondo che può raggiungere un’incredibile combinazione di precisione ed efficienza computazionale.

Molte aree tecniche e scientifiche sono state modificate dall’intelligenza artificiale, dalla visione artificiale alla scienza dei materiali. “Crediamo che il nostro approccio possa avere un impatto significativo sul futuro della chimica quantistica”, ha affermato il professor Frank Noé, che ha guidato il lavoro del team.

I risultati sono stati pubblicati su Nature Chemistry, una rivista molto rispettata.

La funzione d’onda, un oggetto matematico che specifica completamente l’azione degli elettroni in una molecola, è al centro sia della chimica quantistica che dell’equazione di Schrödinger.

La funzione d’onda è un’entità ad alta dimensione e tutte le complessità che codificano il modo in cui i singoli elettroni interagiscono sono quindi estremamente difficili da catturare. In realtà, molti metodi di chimica quantistica rinunciano completamente alla rappresentazione della funzione d’onda e cercano invece solo di determinare l’energia di una specifica molecola.

Ciò, tuttavia, consente di effettuare approssimazioni, limitando la qualità predittiva di tali tecniche.

Altri metodi descrivono la funzione dell’onda utilizzando un numero ingestibile di blocchi matematici di base, ma tali metodi sono così complicati che non è possibile mettere in funzione più di una manciata di atomi. Il risultato finale nella chimica quantistica è evitare il normale compromesso tra accuratezza e spesa computazionale, “sfuggire al consueto compromesso tra accuratezza e costo computazionale è il risultato finale della chimica quantistica”, il metodo di fuga più comune di questo tipo quindi lontano è la teoria funzionale della densità estremamente a basso costo.

Partiamo dal presupposto che la tecnica quantistica profonda “Monte Carlo” che proponiamo potrebbe essere altrettanto efficace, se non di più.

A costi di elaborazione ancora ragionevoli, fornisce una precisione senza precedenti.

Un nuovo modo per descrivere le funzioni d’onda degli elettroni è la rete neurale profonda sviluppata dal team del professor Noé. “Invece dell’approccio standard di assemblare la funzione d’onda da componenti matematici relativamente semplici, abbiamo progettato una rete neurale artificiale in grado di apprendere i complessi schemi di come gli elettroni si trovano attorno ai nuclei”, spiega Noé. La loro antisimmetria è una caratteristica speciale delle funzioni d’onda elettroniche.

La funzione d’onda deve alterare il segno quando vengono scambiati due elettroni.

“Affinché l’approccio funzionasse, abbiamo dovuto incorporare questa proprietà nell’architettura della rete neurale”, aggiunge Hermann.

Questa proprietà, nota come “principio di esclusione di Pauli”, è il motivo per cui gli autori hanno chiamato “PauliNet”. come il loro sistema.

Le funzioni d’onda elettroniche hanno altre proprietà fisiche fondamentali oltre al principio di esclusione di Pauli, e una parte significativa del successo rivoluzionario di PauliNet è che incorpora queste proprietà nella rete neurale profonda piuttosto che utilizzare il Deep Learning per scoprirle analizzando i dati solo. “L’integrazione della fisica fondamentale nell’intelligenza artificiale è essenziale per la sua capacità di fare previsioni significative nella pratica”, afferma Noé. “È proprio qui che gli scienziati possono dare un contributo significativo all’intelligenza artificiale, ed è esattamente ciò su cui si concentra il mio gruppo”.

Prima che l’approccio di Hermann e Noé sia ​​pronto per l’uso industriale, ci sono ancora molti ostacoli da affrontare. “È ancora una ricerca di base”, concordano gli scrittori, “ma è un nuovo approccio a un problema secolare nella scienza molecolare e dei materiali, e siamo entusiasti delle possibilità che presenta”.

Fonte: https://en.brinkwire.com/

Esprimi il tuo parere!

Ti è piaciuto questo articolo? Fammi sapere che ne pensi lasciando un commento nell’apposita sezione che trovi più in basso.

Per altre domande, informazioni o assistenza nel mondo della tecnologia, puoi inviare una email all’indirizzo [email protected].

+1
0
+1
0
+1
0
+1
0
+1
0
+1
0
+1
0
0 0 votes
Article Rating
Subscribe
Notificami
guest
0 Commenti
Inline Feedbacks
View all comments
0
Would love your thoughts, please comment.x
%d blogger hanno fatto clic su Mi Piace per questo: