PauliNet, la rete neurale per risolvere problemi quantistici

Vinci tutto supernealotto e giochi Sisal

PauliNet, la rete neurale per risolvere problemi quantistici
PauliNet, la rete neurale per risolvere problemi quantistici
Condividi l'Articolo
RSS
Twitter
Visit Us
Follow Me
INSTAGRAM

Un’intelligenza artificiale può risolvere l’equazione di Schrödinger. Sviluppato un metodo di apprendimento profondo per l’A per risolvere un problema fondamentale della chimica quantistica. Un team di scienziati della Freie Universität Berlin ha sviluppato un metodo di intelligenza artificiale (AI) per calcolare lo stato fondamentale dell’equazione di Schrödinger in chimica quantistica.

L’obiettivo della chimica quantistica è prevedere le proprietà chimiche e fisiche delle molecole basandosi esclusivamente sulla disposizione dei loro atomi nello spazio, evitando la necessità di esperimenti di laboratorio che richiedono molto tempo e risorse. In linea di principio, ciò può essere ottenuto risolvendo l’equazione di Schrödinger, ma in pratica è estremamente difficile.

Un’intelligenza artificiale può risolvere l’equazione di Schrödinger
Un’intelligenza artificiale può risolvere l’equazione di Schrödinger

Fino ad ora, è stato impossibile trovare una soluzione esatta per molecole arbitrarie che possono essere calcolate in modo efficiente. Ma il team della Freie Universität ha sviluppato un metodo di deep learning in grado di ottenere una combinazione senza precedenti di precisione ed efficienza computazionale. L’intelligenza artificiale ha trasformato molte aree tecnologiche e scientifiche, dalla visione artificiale alla scienza dei materiali. “Riteniamo che il nostro approccio possa avere un impatto significativo sul futuro della chimica quantistica“, afferma il professor Frank Noé, che ha guidato il lavoro del team. I risultati sono stati pubblicati sulla rinomata rivista Nature Chemistry.

Al centro sia della chimica quantistica che dell’equazione di Schrödinger è la funzione d’onda, un oggetto matematico che specifica completamente il comportamento degli elettroni in una molecola. La funzione d’onda è un’entità ad alta dimensione ed è quindi estremamente difficile catturare tutte le sfumature che codificano il modo in cui i singoli elettroni si influenzano a vicenda. Molti metodi di chimica quantistica infatti rinunciano a esprimere del tutto la funzione d’onda, tentando invece solo di determinare l’energia di una data molecola. Ciò tuttavia richiede l’approssimazione, limitando la qualità di previsione di tali metodi.

Altri metodi rappresentano la funzione d’onda con l’uso di un numero immenso di semplici blocchi matematici, ma tali metodi sono così complessi che sono impossibili da mettere in pratica per più di una manciata di atomi. “Sfuggire al consueto compromesso tra accuratezza e costo computazionale è il risultato più importante nella chimica quantistica“, spiega il dott. Jan Hermann della Freie Universität di Berlino, che ha progettato le caratteristiche chiave del metodo nello studio. “Finora, il valore anomalo più popolare è la teoria del funzionale della densità estremamente conveniente. Crediamo che il “Quantum Monte Carlo” profondo, l’approccio che stiamo proponendo, possa avere ugualmente, se non di più, successo. Offre una precisione senza precedenti a un costo computazionale ancora accettabile“.

La rete neurale progettata dal team del professor Noé è un nuovo modo di rappresentare le funzioni d’onda degli elettroni. “Invece dell’approccio standard di comporre 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. “Una caratteristica peculiare delle funzioni d’onda elettroniche è la loro antisimmetria. Quando due elettroni vengono scambiati, la funzione d’onda deve cambiare segno. Abbiamo dovuto integrare questa proprietà nell’architettura della rete neurale perché l’approccio funzionasse”, aggiunge Hermann. Questa caratteristica, nota come “principio di esclusione di Pauli“, è il motivo per cui gli autori hanno chiamato il loro metodo “PauliNet“.

Oltre al principio di esclusione di Pauli, le funzioni d’onda elettroniche hanno anche altre proprietà fisiche fondamentali e gran parte del successo innovativo di PauliNet è che integra queste proprietà nella rete neurale profonda, piuttosto che lasciare che il deep learning le capisca semplicemente osservando i dati. “Costruire la fisica fondamentale nell’IA è essenziale per la sua capacità di fare previsioni significative sul campo“, afferma Noé. “È proprio qui che gli scienziati possono dare un contributo sostanziale all’intelligenza artificiale, ed è esattamente ciò su cui si concentra il mio gruppo“.

Ci sono ancora molte sfide da superare prima che il metodo di Hermann e Noé sia ​​pronto per l’applicazione industriale. “Questa è ancora una ricerca“, concordano gli autori, “ma è un nuovo approccio a un problema secolare nelle scienze molecolari e dei materiali, e siamo entusiasti delle possibilità che apre“.

Riferimento: “Deep-neural-network solution of the electronic Schrödinger equation” di Jan Hermann, Zeno Schätzle e Frank Noé, 23 settembre 2020, Nature Chemistry.
DOI: 10.1038 / s41557-020-0544-y

Condividi l'Articolo
RSS
Twitter
Visit Us
Follow Me
INSTAGRAM

Ricerca in Scienza @ Magia

Generic selectors
Exact matches only
Search in title
Search in content
Post Type Selectors
Inviami gli Articoli in Email:

Lascia il primo commento

Lascia un commento

L'indirizzo email non sarà pubblicato.


*


Questo sito usa Akismet per ridurre lo spam. Scopri come i tuoi dati vengono elaborati.