bản tóm tắt: Các nhà nghiên cứu đã phát triển công nghệ trí tuệ nhân tạo lấy cảm hứng từ não bộ bằng cách sử dụng mạng lưới thần kinh để mô hình hóa các trạng thái lượng tử khó của phân tử, điều này rất quan trọng đối với các công nghệ như tấm pin mặt trời và chất xúc tác quang.

Phương pháp mới này cải thiện đáng kể độ chính xác, cho phép dự đoán tốt hơn các hành vi phân tử trong quá trình chuyển đổi năng lượng. Bằng cách nâng cao hiểu biết của chúng ta về các trạng thái phân tử bị kích thích, nghiên cứu này có thể cách mạng hóa việc tạo nguyên mẫu vật liệu và tổng hợp hóa học.

Thông tin chính:

• Mạng lưới thần kinh đã mô hình hóa các trạng thái kích thích phân tử với độ chính xác chưa từng có.
• Độ chính xác cao hơn năm lần so với các phương pháp trước đây đã đạt được đối với các phân tử phức tạp.
• Nó có thể dẫn đến các mô phỏng máy tính về vật liệu và mô hình hóa học.

nguồn: Cao đẳng Hoàng gia Luân Đôn

Nghiên cứu mới sử dụng mạng lưới thần kinh, một dạng trí tuệ nhân tạo lấy cảm hứng từ não, đề xuất giải pháp cho thách thức khó khăn trong việc mô hình hóa trạng thái của các phân tử.

Nghiên cứu cho thấy kỹ thuật này có thể giúp giải các phương trình cơ bản trong các hệ phân tử phức tạp như thế nào.

Điều này có thể dẫn đến những ứng dụng thực tế trong tương lai, giúp các nhà nghiên cứu tạo ra nguyên mẫu của vật liệu mới và sự kết hợp hóa học bằng cách sử dụng mô phỏng máy tính trước khi thử sản xuất chúng trong phòng thí nghiệm.

Được dẫn dắt bởi các nhà khoa học từ Imperial College London và Google DeepMind, nghiên cứu đã được công bố ngày hôm nay trên tạp chí khoa học.

Hạt kích thích

Nhóm đã nghiên cứu vấn đề tìm hiểu cách các phân tử di chuyển đến và đi từ “trạng thái kích thích”. Khi các phân tử và vật liệu bị kích thích bởi một lượng năng lượng lớn, chẳng hạn như tiếp xúc với ánh sáng hoặc nhiệt độ cao, các electron trong chúng có thể chuyển sang cấu hình mới tạm thời, được gọi là trạng thái kích thích.

Lượng năng lượng chính xác được hấp thụ và giải phóng khi các phân tử chuyển đổi giữa các trạng thái sẽ tạo ra dấu vết duy nhất cho các phân tử và vật liệu khác nhau. Điều này ảnh hưởng đến hiệu suất của các công nghệ từ tấm pin mặt trời và đèn LED đến chất bán dẫn và chất xúc tác quang. Chúng cũng đóng một vai trò quan trọng trong các quá trình sinh học liên quan đến ánh sáng, bao gồm quang hợp và thị giác.

Tuy nhiên, rất khó để mô hình hóa dấu vân tay này vì các electron bị kích thích có bản chất lượng tử, điều đó có nghĩa là vị trí của chúng trong phân tử không bao giờ chắc chắn và chỉ có thể được biểu thị dưới dạng xác suất.

Trưởng nhóm nghiên cứu, Tiến sĩ David Faw từ Google DeepMind và Khoa Vật lý tại Đại học Imperial cho biết: “Việc biểu diễn trạng thái của một hệ lượng tử là rất khó khăn. Mọi cấu hình có thể có của các vị trí electron đều phải được gán một xác suất.

“Không gian của tất cả các cấu hình có thể có là rất lớn – nếu bạn cố gắng biểu diễn nó dưới dạng một lưới có 100 điểm dọc theo mỗi chiều, thì số lượng cấu hình điện tử có thể có cho một nguyên tử silicon sẽ lớn hơn số lượng nguyên tử trong vũ trụ. Và điều này. chính xác là nơi chúng tôi nghĩ rằng mạng lưới thần kinh sâu có thể giúp ích.”

Mạng lưới thần kinh

Các nhà nghiên cứu đã phát triển một phương pháp toán học mới và sử dụng nó với mạng lưới thần kinh có tên FermiNet, đây là ví dụ đầu tiên trong đó học sâu được sử dụng để tính toán năng lượng của các nguyên tử và phân tử từ các nguyên tắc cơ bản đủ chính xác để có ích.

Nhóm đã thử nghiệm phương pháp của họ với một loạt ví dụ và kết quả rất hứa hẹn. Trong một phân tử nhỏ nhưng phức tạp được gọi là hai carbon, họ có thể đạt được sai số tuyệt đối trung bình là 4 MeV (millielectronvolt – thước đo năng lượng nhỏ), lớn hơn gần 5 lần so với kết quả thực nghiệm so với các phương pháp tiêu chuẩn trước đây. 20 MeV.

Tiến sĩ Faw cho biết: “Chúng tôi đã thử nghiệm phương pháp của mình trên một số hệ thống thách thức nhất trong hóa học tính toán, trong đó hai electron được kích thích đồng thời và nhận thấy rằng chúng tôi còn cách khoảng 0,1 MeV so với những phép tính phức tạp và đòi hỏi khắt khe nhất được thực hiện cho đến nay.

“Hôm nay, chúng tôi đang biến công trình mới nhất của mình thành nguồn mở và chúng tôi hy vọng cộng đồng nghiên cứu sẽ xây dựng dựa trên các phương pháp của chúng tôi để khám phá những cách bất ngờ mà vật chất tương tác với ánh sáng.”

Về tin tức nghiên cứu trí tuệ nhân tạo

tác giả: Hayley Dunning
nguồn: Cao đẳng Hoàng gia Luân Đôn
giao tiếp: Hayley Dunning – Đại học Hoàng gia Luân Đôn
hình ảnh: Hình ảnh lấy từ Tin tức khoa học thần kinh

Tìm kiếm ban đầu: Quyền truy cập đã bị đóng.
“Tính toán chính xác các trạng thái kích thích lượng tử bằng mạng lưới thần kinh“Bởi David Faw và cộng sự.” khoa học

---

một bản tóm tắt

Tính toán chính xác các trạng thái kích thích lượng tử bằng mạng lưới thần kinh

giới thiệu

Hiểu được tính chất vật lý về cách vật chất tương tác với ánh sáng đòi hỏi phải mô hình hóa chính xác các trạng thái kích thích điện tử của hệ lượng tử. Điều này tạo cơ sở cho hoạt động của chất xúc tác quang, thuốc nhuộm huỳnh quang, chấm lượng tử, điốt phát sáng (LED), laser, pin mặt trời, v.v.

Các phương pháp hóa học lượng tử hiện nay dành cho trạng thái kích thích có thể kém chính xác hơn nhiều so với các phương pháp dành cho trạng thái cơ bản, đôi khi không chính xác về mặt chất lượng hoặc có thể yêu cầu kiến ​​thức trước nhắm vào các trạng thái cụ thể. Mạng lưới thần kinh kết hợp với Monte Carlo (VMC) biến phân đã đạt được độ chính xác vượt trội của các hàm sóng trạng thái cơ bản cho một loạt hệ thống, bao gồm mô hình spin, phân tử và hệ thống vật chất ngưng tụ.

Mặc dù VMC đã được sử dụng để nghiên cứu trạng thái kích thích nhưng các phương pháp trước đây có những hạn chế gây khó khăn hoặc không thể sử dụng với mạng nơ-ron và thường chứa nhiều tham số rảnh cần điều chỉnh để đạt được kết quả tốt.

Cơ sở lý luận

Chúng tôi kết hợp tính linh hoạt của các giải pháp mạng thần kinh với hiểu biết sâu sắc về mặt toán học cho phép chúng tôi chuyển đổi vấn đề tìm trạng thái kích thích của hệ thống thành vấn đề tìm trạng thái cơ bản của một hệ thống mở rộng, sau đó có thể giải quyết vấn đề này bằng cách sử dụng VMC tiêu chuẩn. Chúng tôi gọi phương pháp này là VMC cho trạng thái kích thích bình thường (NES-VMC).

Tính độc lập tuyến tính của các trạng thái kích thích tự phát được áp đặt bởi dạng chức năng của trạng thái. Năng lượng và các thế năng khác của từng trạng thái kích thích có được bằng cách biến đổi ma trận các giá trị phép chiếu Hamilton được lấy trên từng trạng thái riêng lẻ, có thể được tích lũy mà không mất thêm chi phí.

Điều quan trọng ở đây là phương pháp này không có bất kỳ tham số miễn phí nào để điều chỉnh và không yêu cầu các điều kiện phạt để thực thi việc chỉnh hình. Chúng tôi đã kiểm tra tính chính xác của phương pháp này bằng cách sử dụng hai kiến ​​trúc mạng thần kinh khác nhau – FermiNet và Psiformer.

kết quả

Chúng tôi đã chứng minh cách tiếp cận của mình trên các hệ thống tham chiếu, từ các nguyên tử đơn lẻ cho đến các phân tử có kích thước bằng xăng. Chúng tôi đã chứng minh độ chính xác của NES-VMC trên các nguyên tử ở hàng đầu tiên, kết quả thử nghiệm rất trùng khớp và trên nhiều phân tử nhỏ, thu được năng lượng và cường độ dao động rất chính xác có thể so sánh với các ước tính lý thuyết tốt nhất hiện có.

Chúng tôi đã tính toán các đường cong năng lượng tiềm năng cho các trạng thái kích thích thấp nhất trong hai nguyên tử cacbon và xác định các trạng thái theo chiều dài liên kết bằng cách phân tích tính đối xứng và góc quay của chúng. Năng lượng kích thích thẳng đứng NES-VMC phù hợp với năng lượng thu được bằng phương pháp phản ứng hình thành bể nhiệt bán ngẫu nhiên (SHCI) có độ phân giải cao với độ phân giải hóa học cho tất cả các độ dài liên kết, trong khi trung bình kích thích đoạn nhiệt nằm trong khoảng 4 MeV so với giá trị thử nghiệm. – Đây là sự cải tiến gấp 4 lần so với SHCI.

Trong trường hợp ethylene, NES-VMC đã mô tả chính xác mối nối hình nón của phân tử xoắn và rất phù hợp với kết quả tương tác hình dạng đa tham chiếu (MR-CI) có độ phân giải cao. Chúng tôi cũng đã xem xét năm hệ thống đầy thách thức với kích thích kép ở độ cao thấp, bao gồm nhiều phân tử có kích thước bằng benzen.

Trong tất cả các hệ thống có sự thống nhất tốt giữa các phương pháp về năng lượng kích thích theo chiều dọc, Psiformer có độ chính xác hóa học ở các trạng thái, bao gồm cả butadien, nơi trật tự của các trạng thái cụ thể đã bị tranh cãi trong nhiều thập kỷ. Trong tetrazine và cyclopentadione, nơi các phép tính hiện đại chỉ được thực hiện cách đây vài năm được biết là không chính xác, kết quả của NES-VMC rất khớp với các phép tính khuếch tán phức tạp hiện đại của Monte Carlo và lý thuyết nhiễu loạn bậc ba không gian hoạt động hoàn chỉnh (CASPT3).

Cuối cùng, chúng tôi đã xem xét phân tử benzen, trong đó sự kết hợp giữa phương pháp NES-VMC và Psiformer phù hợp hơn với các ước tính lý thuyết tốt nhất so với các phương pháp khác, bao gồm cả phương pháp phân tích mạng lưới thần kinh bằng phương pháp hình phạt. Điều này xác nhận về mặt toán học cách tiếp cận của chúng tôi và cho thấy rằng mạng lưới thần kinh có thể biểu diễn chính xác trạng thái kích thích của các phân tử ở giới hạn hiện tại của các phương pháp tính toán.

Phần kết luận

NES-VMC là một nguyên lý biến thiên không có tham số và phù hợp về mặt toán học cho các trạng thái kích thích. Việc kết hợp nó với các giải pháp mạng thần kinh mang lại độ chính xác vượt trội trong một loạt các vấn đề về điểm chuẩn. Sự phát triển của phương pháp VMC chính xác đối với trạng thái kích thích của hệ lượng tử mở ra nhiều khả năng và mở rộng đáng kể phạm vi ứng dụng của các hàm sóng mạng thần kinh.

Mặc dù chúng tôi chỉ xem xét các kích thích điện tử cho các hệ thống phân tử và giải pháp mạng thần kinh, NES-VMC có thể áp dụng cho mọi giải pháp Hamilton lượng tử và bất kỳ giải pháp nào, cho phép các nghiên cứu tính toán chính xác có thể cải thiện sự hiểu biết của chúng tôi về khớp nối rung động, vùng cấm quang tử và vật lý hạt nhân khó khăn khác. vấn đề.