Den tetraedriska elektroniska fördelningen av en vattenmolekyl. Syreatomkärnan är i mitten av tetraedern, och vätekärnorna är i mitten av de rosa sfärerna. Simons stiftelse. Kredit:Simons Foundation
Ett nytt maskininlärningsverktyg kan beräkna energin som krävs för att göra – eller bryta – en molekyl med högre noggrannhet än konventionella metoder. Medan verktyget för närvarande bara kan hantera enkla molekyler, det banar väg för framtida insikter inom kvantkemi.
"Att använda maskininlärning för att lösa de grundläggande ekvationerna som styr kvantkemi har varit ett öppet problem i flera år, och det är mycket spänning runt det just nu, " säger medskaparen Giuseppe Carleo, en forskare vid Flatiron Institutes Center for Computational Quantum Physics i New York City. En bättre förståelse för bildning och förstörelse av molekyler, han säger, kan avslöja det inre av de kemiska reaktionerna som är avgörande för livet.
Carleo och medarbetare Kenny Choo från University of Zurich och Antonio Mezzacapo från IBM Thomas J. Watson Research Center i Yorktown Heights, New York, presentera sitt arbete 12 maj Naturkommunikation .
Teamets verktyg uppskattar mängden energi som behövs för att montera eller dra isär en molekyl, såsom vatten eller ammoniak. Den beräkningen kräver att man bestämmer molekylens elektroniska struktur, som består av det kollektiva beteendet hos elektronerna som binder samman molekylen.
En molekyls elektroniska struktur är en knepig sak att beräkna, kräver bestämning av alla potentiella tillstånd som molekylens elektroner kan vara i, plus varje stats sannolikhet.
Eftersom elektroner interagerar och blir kvantmekaniskt intrasslade med varandra, forskare kan inte behandla dem individuellt. Med fler elektroner, fler förvecklingar dyker upp, och problemet blir exponentiellt svårare. Exakta lösningar finns inte för molekyler som är mer komplexa än de två elektronerna som finns i ett par väteatomer. Även approximationer kämpar med noggrannheten när de involverar mer än ett fåtal elektroner.
En av utmaningarna är att en molekyls elektroniska struktur inkluderar tillstånd för ett oändligt antal orbitaler som går längre och längre från atomerna. Dessutom, en elektron går inte att skilja från en annan, och två elektroner kan inte uppta samma tillstånd. Den senare regeln är en konsekvens av utbytessymmetri, som styr vad som händer när identiska partiklar byter tillstånd.
Mezzacapo och kollegor på IBM Quantum utvecklade en metod för att begränsa antalet orbitaler som beaktas och införa utbytessymmetri. Detta tillvägagångssätt, baserad på metoder utvecklade för kvantberäkningstillämpningar, gör problemet mer besläktat med scenarier där elektroner är begränsade till förinställda platser, som i ett styvt galler.
Likheten med stela galler var nyckeln till att göra problemet mer hanterbart. Carleo tränade tidigare neurala nätverk för att rekonstruera beteendet hos elektroner som är begränsade till platserna för ett gitter. Genom att utöka dessa metoder, forskarna kunde uppskatta lösningar på Mezzacapos kompakta problem. Teamets neurala nätverk beräknar sannolikheten för varje tillstånd. Med denna sannolikhet, forskarna kan uppskatta energin i ett givet tillstånd. Den lägsta energinivån, kallad jämviktsenergin, är där molekylen är som mest stabil.
Teamets innovationer gjorde det enklare och snabbare att beräkna en grundläggande molekyls elektroniska struktur. Forskarna visade noggrannheten i sina metoder genom att uppskatta hur mycket energi det skulle ta för att dra isär en verklig molekyl, bryta sina band. De körde beräkningar för diväte (H 2 ), litiumhydrid (LiH), ammoniak (NH 3 ), vatten (H 2 O), diatomiskt kol (C 2 ) och dikväve (N 2 ). För alla molekyler, teamets uppskattningar visade sig vara mycket exakta även inom områden där befintliga metoder kämpar.
I framtiden, forskarna siktar på att ta itu med större och mer komplexa molekyler genom att använda mer sofistikerade neurala nätverk. Ett mål är att hantera kemikalier som de som finns i kvävekretsloppet, där biologiska processer bygger och bryter kvävebaserade molekyler för att göra dem användbara för livet. "Vi vill att det här ska vara ett verktyg som kan användas av kemister för att bearbeta dessa problem, säger Carleo.
Carleo, Choo och Mezzacapo är inte ensamma om att utnyttja maskininlärning för att ta itu med problem inom kvantkemi. Forskarna presenterade sitt arbete på arXiv.org för första gången i september 2019. Samma månad, en grupp i Tyskland och en annan vid Googles DeepMind i London släppte var och en forskning med hjälp av maskininlärning för att rekonstruera den elektroniska strukturen hos molekyler.
De andra två grupperna använder en liknande inställning till varandra som inte begränsar antalet orbitaler som beaktas. Denna delaktighet, dock, är mer beräkningsmässigt belastande, en nackdel som bara förvärras med mer komplexa molekyler. Med samma beräkningsresurser, tillvägagångssättet av Carleo, Choo och Mezzacapo ger högre noggrannhet, men de förenklingar som gjorts för att erhålla denna noggrannhet kan införa fördomar.
"Övergripande, det är en avvägning mellan partiskhet och noggrannhet, och det är oklart vilket av de två tillvägagångssätten som har större potential för framtiden, " säger Carleo. "Bara tiden kommer att visa oss vilka av dessa tillvägagångssätt som kan skalas upp till de utmanande öppna problemen inom kemi."
