联系我们

数据科学

AI研究人员的新研究解决了薛定inger方程

mm

更新

 on

最近的一项研究 发表在杂志上 自然化学 详细说明旨在计算基础状态的研究结果 薛定ding 方程 在量子化学中。该问题通过人工智能技术的应用得以解决,研究的成功对量子化学具有重要意义。

薛定ding方程

当前确定分子化学性质的方法依赖于缓慢的,资源密集的,艰苦的实验室实验。相反,量子化学仅依靠3D空间内原子的排列来努力预测分子的物理和化学性质。为了使量子化学合理地确定分子性质,Schrödinger’的方程需要求解。薛定ding方程的作用与能量守恒和牛顿定律相同’的定律在经典力学中起作用,它预测了系统将来的行为。薛定er’s方程以精确预测结果或事件概率的波动函数表示。到目前为止,证明薛定ding方程非常困难。

为了求解Schrödinger方程,研究人员需要正确地对波函数建模,该波函数是一种能够确定分子中电子行为的数学对象。波函数是高维实体,因此,很难编码电子之间的关系。一些量子化学技术不关心编码波函数,而是专注于确定目标分子的能量。但是,仅专注于分子的能量时需要近似值,而这种估计值会限制有用的预测。

尽管量子化学家还可以使用其他技术来表示波函数,但它们实际上太不切实际,无法用于计算几个原子的波函数。

“Quantum Monte Carlo”深度神经网络方法

根据Phys.org,柏林弗雷大学的研究人员设法借助以下方法解决了薛定ding方程 深度学习 技术。研究团队转向“量子蒙特卡洛”方法,该方法以适度的计算成本提供了高精度。研究人员使用深层神经网络来表示电子的波函数。弗兰克·诺(Franke Noe)教授是该研究的首席研究员,诺伊(Noe)解释说,神经网络旨在学习有关电子如何在原子核周围分布的复杂模式。

为了使研究人员有效地使用深度神经网络来学习电子背后的模式,他们需要创建正确的网络体系结构。电子波函数具有称为反对称性的属性。每当交换两个电子时,波函数的符号就必须改变。必须考虑这个特殊的怪癖,并将其属性烘焙到网络体系结构中。该网络被命名为“ PauliNet”,其名称来自“ Pauli排除原则”。该原理指出,在一个量子系统中,同一量子态中不能同时存在两个或更多个相同的费米子。

PauliNet还必须将电子波功能的其他物理属性集成到网络中。正如Noe在Phys.org上解释的那样,网络不仅要让网络仅通过观察数据来做出决策,还必须考虑波动函数的属性。

“将基本物理学融入到AI中对于其在该领域做出有意义的预测的能力至关重要,” Noe said. “这确实是科学家可以为AI做出实质性贡献的地方,而这正是我们小组专注的领域。

研究小组仍然需要进行更多的实验,在准备好将模型应用到实验室之外之前改进他们的方法。但是,一旦该方法准备好用于工业应用,便可以在各种不同的领域中使用。材料科学家可以使用该算法来帮助创建新的超材料,而制药行业可以使用它来合成新型药物。

专门从事以下工作的Blogger和程序员 Machine Learning Deep Learning 话题。 Daniel希望帮助他人将AI的力量用于社会公益。