Ett team av forskare vid Freie Universität Berlin har utvecklat en artificiell intelligens (AI) metod för att beräkna grundtillståndet för Schrödinger-ekvationen i kvantkemi. Målet med kvantkemin är att förutsäga kemiska och fysikaliska egenskaper hos molekyler baserat enbart på arrangemanget av deras atomer i rymden, undvika behovet av resurskrävande och tidskrävande laboratorieförsök. I princip, detta kan uppnås genom att lösa Schrödinger-ekvationen, men i praktiken är detta extremt svårt.

Tills nu, det har varit omöjligt att hitta en exakt lösning för godtyckliga molekyler som kan beräknas effektivt. Men teamet vid Freie Universität har utvecklat en metod för djupinlärning som kan uppnå en aldrig tidigare skådad kombination av noggrannhet och beräkningseffektivitet. AI har förändrat många tekniska och vetenskapliga områden, från datorseende till materialvetenskap. "Vi tror att vårt tillvägagångssätt avsevärt kan påverka kvantkemins framtid, säger professor Frank Noé, som ledde lagarbetet. Resultaten publicerades i den välrenommerade tidskriften Naturkemi .

Centralt för både kvantkemin och Schrödinger-ekvationen är vågfunktionen – ett matematiskt objekt som helt specificerar beteendet hos elektronerna i en molekyl. Vågfunktionen är en högdimensionell enhet, och det är därför extremt svårt att fånga alla nyanser som kodar för hur de enskilda elektronerna påverkar varandra. Många kvantkemimetoder ger faktiskt upp på att uttrycka vågfunktionen helt och hållet, istället försöker bara bestämma energin hos en given molekyl. Detta kräver dock uppskattningar, begränsa förutsägelsekvaliteten hos sådana metoder.

Andra metoder representerar vågfunktionen med användning av ett enormt antal enkla matematiska byggstenar, men sådana metoder är så komplicerade att de är omöjliga att omsätta i praktiken för mer än bara en handfull atomer. "Att slippa den vanliga avvägningen mellan noggrannhet och beräkningskostnad är den högsta prestationen inom kvantkemi, " förklarar Dr Jan Hermann vid Freie Universität Berlin, som utformat de viktigaste egenskaperna hos metoden i studien. "Hittills, den mest populära avvikelsen är den extremt kostnadseffektiva densitetsfunktionsteorin. Vi tror att djupa 'Quantum Monte Carlo, den strategi vi föreslår, kan vara lika, om inte mer framgångsrik. Det erbjuder oöverträffad noggrannhet till en fortfarande acceptabel beräkningskostnad."

Det djupa neurala nätverket designat av professor Noés team är ett nytt sätt att representera elektronernas vågfunktioner. "Istället för standardmetoden att komponera vågfunktionen från relativt enkla matematiska komponenter, vi designade ett artificiellt neuralt nätverk som kan lära sig de komplexa mönstren för hur elektroner är lokaliserade runt kärnorna, " Noé förklarar. "En speciell egenskap hos elektroniska vågfunktioner är deras antisymmetri. När två elektroner byts ut, vågfunktionen måste byta tecken. Vi var tvungna att bygga in den här egenskapen i den neurala nätverksarkitekturen för att arbeta, " tillägger Hermann. Denna funktion, känd som "Paulis uteslutningsprincip, ' är därför författarna kallade sin metod 'PauliNet.'

Förutom Paulis uteslutningsprincip, elektroniska vågfunktioner har också andra grundläggande fysiska egenskaper, och mycket av PauliNets innovativa framgång är att det integrerar dessa egenskaper i det djupa neurala nätverket, snarare än att låta djupinlärning ta reda på dem genom att bara observera data. "Att bygga in den grundläggande fysiken i AI är avgörande för dess förmåga att göra meningsfulla förutsägelser på fältet, " säger Noé. "Det är verkligen här som forskare kan göra ett betydande bidrag till AI, och exakt vad min grupp fokuserar på."

Det finns fortfarande många utmaningar att övervinna innan Hermann och Noés metod är redo för industriell tillämpning. "Detta är fortfarande grundforskning, "författarna är överens, "men det är ett nytt förhållningssätt till ett urgammalt problem inom molekylär och materialvetenskap, och vi är exalterade över möjligheterna det öppnar."