streszczenie: Naukowcy opracowali technologię sztucznej inteligencji inspirowaną mózgiem, wykorzystującą sieci neuronowe do modelowania trudnych stanów kwantowych cząsteczek, co ma kluczowe znaczenie w przypadku technologii takich jak panele słoneczne i fotokatalizatory.
To nowe podejście znacznie poprawia dokładność, umożliwiając lepsze przewidywanie zachowań molekularnych podczas przejść energetycznych. Pogłębiając naszą wiedzę na temat wzbudzonych stanów molekularnych, badania te mogą zrewolucjonizować prototypowanie materiałów i syntezę chemiczną.
Kluczowe fakty:
- Sieci neuronowe modelowały molekularne stany wzbudzone z niespotykaną dotąd dokładnością.
- W przypadku złożonych cząsteczek uzyskano pięciokrotnie większą dokładność niż w przypadku poprzednich metod.
- Może to prowadzić do symulacji komputerowych materiałów i modeli chemicznych.
źródło: Imperial College w Londynie
Nowe badania z wykorzystaniem sieci neuronowych, formy sztucznej inteligencji inspirowanej mózgiem, proponują rozwiązanie trudnego wyzwania, jakim jest modelowanie stanów cząsteczek.
Badania pokazują, jak technika ta może pomóc w rozwiązywaniu podstawowych równań w złożonych układach molekularnych.
Może to prowadzić do praktycznych zastosowań w przyszłości, pomagając naukowcom w tworzeniu prototypów nowych materiałów i kombinacji chemicznych za pomocą symulacji komputerowych przed próbą ich wyprodukowania w laboratorium.
Badanie prowadzone pod kierunkiem naukowców z Imperial College London i Google DeepMind zostało opublikowane dzisiaj w czasopiśmie nauki.
Wzbudzone cząstki
Zespół zbadał problem zrozumienia, w jaki sposób cząsteczki przemieszczają się do i ze „stanów wzbudzonych”. Kiedy cząsteczki i materiały są wzbudzane dużą ilością energii, na przykład pod wpływem światła lub wysokich temperatur, znajdujące się w nich elektrony mogą przejść do tymczasowej nowej konfiguracji, zwanej stanem wzbudzonym.
Dokładna ilość energii pochłoniętej i uwolnionej podczas przejścia cząsteczek między stanami tworzy unikalny odcisk palca dla różnych cząsteczek i materiałów. Ma to wpływ na wydajność technologii, od paneli słonecznych i diod LED po półprzewodniki i fotokatalizatory. Odgrywają także kluczową rolę w procesach biologicznych związanych ze światłem, w tym w fotosyntezie i widzeniu.
Jednakże modelowanie tego odcisku palca jest bardzo trudne, ponieważ wzbudzone elektrony mają naturę kwantową, co oznacza, że ich położenie w cząsteczkach nigdy nie jest pewne i można je wyrazić jedynie jako prawdopodobieństwo.
Główny badacz, dr David Faw z Google DeepMind i Wydziału Fizyki Imperial College, powiedział: „Reprezentowanie stanu układu kwantowego jest bardzo trudne. Każdej możliwej konfiguracji pozycji elektronów należy przypisać prawdopodobieństwo.
„Przestrzeń wszystkich możliwych konfiguracji jest ogromna – jeśli spróbować przedstawić ją jako siatkę ze 100 punktami w każdym wymiarze, liczba możliwych konfiguracji elektronowych atomu krzemu byłaby większa niż liczba atomów we wszechświecie jest dokładnie tam, gdzie myśleliśmy, że głębokie sieci neuronowe mogą pomóc.”
Sieci neuronowe
Naukowcy opracowali nowe podejście matematyczne i wykorzystali je w sieci neuronowej o nazwie FermiNet, która była pierwszym przykładem wykorzystania głębokiego uczenia się do obliczenia energii atomów i cząsteczek na podstawie podstawowych zasad, które były na tyle precyzyjne, że były przydatne.
Zespół przetestował swoje podejście na szeregu przykładów, a wyniki były obiecujące. W małej, ale złożonej cząsteczce zwanej dwuwęglową udało im się osiągnąć średni błąd bezwzględny na poziomie 4 MeV (milielektronowoltów – mała miara energii), czyli prawie pięciokrotnie więcej niż wyniki eksperymentalne w porównaniu z poprzednimi standardowymi metodami 20 MeV.
Dr Faw powiedział: „Przetestowaliśmy naszą metodę na najbardziej wymagających układach w chemii obliczeniowej, w których jednocześnie wzbudzane są dwa elektrony, i odkryliśmy, że brakowało nam około 0,1 MeV do najbardziej złożonych i wymagających obliczeń przeprowadzonych do tej pory.
„Dzisiaj udostępniamy nasze najnowsze dzieło jako oprogramowanie open source i mamy nadzieję, że społeczność naukowa wykorzysta nasze metody do badania nieoczekiwanych sposobów interakcji materii ze światłem”.
O nowościach dotyczących badań nad sztuczną inteligencją
autor: Hayley Dunning
źródło: Imperial College w Londynie
komunikacja: Hayley Dunning z Imperial College w Londynie
obraz: Zdjęcie zaczerpnięte z Neuroscience News
Oryginalne wyszukiwanie: Dostęp jest zamknięty.
„Dokładne obliczanie kwantowych stanów wzbudzonych z wykorzystaniem sieci neuronowych„Przez Davida Fawa i in.” nauki
podsumowanie
Dokładne obliczanie kwantowych stanów wzbudzonych z wykorzystaniem sieci neuronowych
wstęp
Zrozumienie fizyki interakcji materii ze światłem wymaga precyzyjnego modelowania elektronowych stanów wzbudzonych układów kwantowych. Stanowi to podstawę zachowania fotokatalizatorów, barwników fluorescencyjnych, kropek kwantowych, diod elektroluminescencyjnych (LED), laserów, ogniw słonecznych i wielu innych.
Obecne metody chemii kwantowej dla stanów wzbudzonych mogą być znacznie mniej precyzyjne niż metody dla stanów podstawowych, czasami są jakościowo nieprecyzyjne lub mogą wymagać wcześniejszej wiedzy na temat konkretnych stanów. Sieci neuronowe w połączeniu z wariacyjnym Monte Carlo (VMC) osiągnęły niezwykłą dokładność funkcji falowych stanu podstawowego dla szeregu systemów, w tym modeli spinowych, cząsteczek i układów materii skondensowanej.
Chociaż do badania stanów wzbudzonych stosowano metodę VMC, poprzednie metody mają ograniczenia, które utrudniają lub uniemożliwiają użycie sieci neuronowych i często zawierają wiele dowolnych parametrów, które wymagają dostrojenia, aby osiągnąć dobre wyniki.
Racjonalne uzasadnienie
Łączymy elastyczność rozwiązań sieci neuronowych z wnikliwością matematyczną, która pozwala nam przekształcić problem znalezienia stanów wzbudzonych układu w problem znalezienia stanu podstawowego rozszerzonego układu, który można następnie rozwiązać za pomocą standardowego VMC. To podejście nazywamy VMC dla normalnych stanów wzbudzonych (NES-VMC).
Liniową niezależność stanów spontanicznie wzbudzonych narzuca funkcjonalna forma stanu. Energię i inne potencjały każdego stanu wzbudzonego uzyskuje się poprzez przekształcenie macierzy wartości projekcji hamiltonowskiej przejętych dla poszczególnych stanów, które można akumulować bez dodatkowych kosztów.
Kluczowe jest tutaj to, że podejście to nie ma żadnych dowolnych parametrów do dostosowania i nie wymaga warunków karnych w celu wymuszenia ortostazy. Dokładność tego podejścia sprawdziliśmy przy użyciu dwóch różnych architektur sieci neuronowych – FermiNet i Psiformer.
wyniki
Zademonstrowaliśmy nasze podejście do układów odniesienia, począwszy od pojedynczych atomów po cząsteczki wielkości benzyny. Wykazaliśmy dokładność NES-VMC na atomach pierwszego rzędu, ściśle pokrywając się z wynikami eksperymentów i na szeregu małych cząsteczek, uzyskując bardzo precyzyjne energie i moce oscylatorów porównywalne z najlepszymi istniejącymi szacunkami teoretycznymi.
Obliczyliśmy krzywe energii potencjalnej dla najniższych stanów wzbudzonych w węglu dwuwęglowym i zidentyfikowaliśmy stany na całej długości wiązań, analizując ich symetrie i rotacje. Energie wzbudzenia pionowego NES-VMC odpowiadały energiom uzyskanym przy użyciu metody półlosowej reakcji tworzenia kąpieli termicznej o wysokiej rozdzielczości (SHCI) z rozdzielczością chemiczną dla wszystkich długości wiązań, natomiast wzbudzenia adiabatyczne mieściły się średnio w granicach 4 MeV wartości eksperymentalnych. - To czterokrotna poprawa w porównaniu do SHCI.
W przypadku etylenu projekt NES-VMC poprawnie opisał stożkowe połączenie skręconej cząsteczki i doskonale zgadzał się z wynikami interakcji konformacji wielu referencji o wysokiej rozdzielczości (MR-CI). Rozważaliśmy także pięć trudnych systemów z podwójnymi wzbudzeniami o małej wysokości, w tym wieloma cząsteczkami wielkości benzenu.
We wszystkich systemach, w których istnieje dobra zgodność metod dotyczących energii wzbudzenia pionowego, Psiformer osiągał dokładność chemiczną w różnych stanach, w tym w przypadku butadienu, gdzie kolejność poszczególnych stanów była kwestionowana przez wiele dziesięcioleci. W przypadku tetrazyny i cyklopentadionu, gdzie nowoczesne obliczenia przeprowadzone zaledwie kilka lat temu okazały się niedokładne, wyniki NES-VMC ściśle pokrywały się z nowoczesnymi, wyrafinowanymi obliczeniami dyfuzyjnymi Monte Carlo i pełną teorią zaburzeń trzeciego rzędu w przestrzeni aktywnej (CASPT3).
Na koniec rozważyliśmy cząsteczkę benzenu, gdzie połączenie NES-VMC i metody Psiformer było lepiej zgodne z najlepszymi szacunkami teoretycznymi niż inne metody, w tym metody analizy sieci neuronowych z wykorzystaniem metod karnych. To matematycznie potwierdza nasze podejście i pokazuje, że sieci neuronowe mogą dokładnie odzwierciedlać stany wzbudzone cząsteczek przy obecnych ograniczeniach metod obliczeniowych.
wniosek
NES-VMC to pozbawiona parametrów i matematycznie uzasadniona zasada wariacyjna dla stanów wzbudzonych. Połączenie go z rozwiązaniami sieci neuronowych zapewnia niezwykłą dokładność w szerokim zakresie problemów porównawczych. Opracowanie dokładnego podejścia VMC do stanów wzbudzonych układów kwantowych otwiera wiele możliwości i znacząco rozszerza zakres zastosowań funkcji falowych sieci neuronowych.
Chociaż rozważaliśmy tylko wzbudzenia elektroniczne dla układów molekularnych i rozwiązań sieci neuronowych, NES-VMC ma zastosowanie do dowolnego hamiltonianu kwantowego i dowolnego rozwiązania, umożliwiając precyzyjne badania obliczeniowe, które mogą poprawić naszą wiedzę na temat sprzężeń wibracyjnych, fotonicznych pasm wzbronionych i fizyki jądrowej i innych trudnych problemy.
