Группа ученых из Freie Universität Berlin разработала метод искусственного интеллекта (AI) для вычисления основного состояния уравнения Шредингера в квантовой химии. Цель квантовой химии — предсказывать химические и физические свойства молекул, основываясь исключительно на расположении их атомов в пространстве, избегая необходимости в ресурсоемких и трудоемких лабораторных экспериментах. В принципе, этого можно добиться, решив уравнение Шредингера, но на практике это чрезвычайно сложно.
До сих пор было невозможно найти точное решение для произвольных молекул, которое можно было бы эффективно вычислить. Но команда Freie Universität разработала метод глубокого обучения, который позволяет достичь беспрецедентного сочетания точности и вычислительной эффективности. Искусственный интеллект преобразовал многие технологические и научные области, от компьютерного зрения до материаловедения. Результаты были опубликованы в авторитетном журнале Nature Chemistry.
Центральным элементом как квантовой химии, так и уравнения Шредингера является волновая функция — математический объект, полностью определяющий поведение электронов в молекуле. Волновая функция — это многомерная сущность, и поэтому чрезвычайно трудно уловить все нюансы, которые кодируют, как отдельные электроны влияют друг на друга. Многие методы квантовой химии фактически отказываются от выражения волновой функции в целом, вместо этого пытаясь определить только энергию данной молекулы. Однако это требует выполнения приближений, что ограничивает качество предсказания таких методов.
Другие методы представляют волновую функцию с использованием огромного количества простых математических строительных блоков, но такие методы настолько сложны, что их невозможно применить на практике для более чем горстки атомов. Пока что наиболее популярным из таких выбросов является чрезвычайно экономичная теория функционала плотности. Ученые считают, что предлагаемый ими подход глубокого "квантового Монте-Карло" может быть столь же, если не более успешным. Он предлагает беспрецедентную точность при приемлемой вычислительной стоимости.
Глубокая нейронная сеть, разработанная командой — это новый способ представления волновых функций электронов. Вместо стандартного подхода к составлению волновой функции из относительно простых математических компонентов исследователи разработали искусственную нейронную сеть, способную изучать сложные модели того, как электроны расположены вокруг ядер. Особенностью электронных волновых функций является их антисимметрия. Когда происходит обмен двумя электронами, волновая функция должна менять знак. Нам пришлось встроить это свойство в архитектуру нейронной сети, чтобы этот подход работал. Эта особенность, известная как "принцип исключения Паули", поэтому авторы назвали свой метод "PauliNet".
Помимо принципа исключения Паули, электронные волновые функции также обладают другими фундаментальными физическими свойствами, и большая часть инновационного успеха PauliNet заключается в том, что он интегрирует эти свойства в глубокую нейронную сеть, а не позволяет глубокому обучению определять их, просто наблюдая за данными. Включение фундаментальной физики в ИИ важно для его способности делать значимые прогнозы в полевых условиях. Именно здесь ученые могут внести существенный вклад в ИИ, и именно на этом группа ученых сейчас сосредоточена.
Перед тем, как метод Германа и Ноэ будет готов к промышленному применению, предстоит еще решить множество проблем.
Это все еще фундаментальное исследование, — соглашаются авторы, —но это свежий подход к вековой проблеме молекулярных и материальных наук, и мы воодушевлены возможностями, которые оно открывает.
