هوش مصنوعی معادله شرودینگر را حل کرد

آی‌تی‌من- هدف شیمی کوانتومی، پیش‌بینی خصوصیات فیزیکی و شیمیایی مولکول‌ها، تنها بر اساس ترتیب اتم‌های آنها در فضا و بدون نیاز به آزمایش‌های آزمایشگاهی وقت‌گیر و نیازمند منابع زیاد است. این کار با حل معادله شرودینگر قابل دستیابی است، اما در عمل، کاری بسیار دشوار است.

معادلهٔ شرودینگر (Schrodinger equation)، معادله‌ای است که چگونگی تغییر حالت کوانتومی یک سامانه فیزیکی با زمان را توصیف می‌کند. این معادله در اواخر سال ۱۹۲۵ فرمول بندی شد و در سال ۱۹۲۶ توسط فیزیکدان اتریشی اِروین شرودینگر منتشر شد.

تا کنون، پیدا کردن راهکاری دقیق که به طور کارآمد برای مولکول‌های دلخواه قابل محاسبه باشد، غیرممکن بود. اما تیم محققان دانشگاه آزاد برلین، یک مدل یادگیری عمیق توسعه داده‌اند که ترکیبی بی‌سابقه از کارایی و دقت را ارایه می‌کند.

پروفسور فرانک نوئه، که رهبر این تیم از محققان است، می‌گوید: هوش مصنوعی حوزه‌های متعدد فناوری و علمی، از بینایی کامپیوتری تا علم مواد را متحول کرده و ما معتقدیم که رویکرد ما، اثر عمیقی در آینده شیمی کوانتومی خواهد داشت.

نتایج این تحقیقات در قالب مقاله‌ای در مجله Nature Chemistry منتشر شده است.

در مرکز شیمی کوانتومی و معادله شرودینگر، تابع موج (wave function) قرار دارد که به طورکامل، رفتار الکترون‌ها در یک مولکول را تعریف می‌کند. تابع  موج در مکانیک کوانتومی یک موجودیت چند بعدی است؛ بنابراین، ثبت تمامی تفاوت‌های جزیی که وظیفه کدگذاری شیوه اثرگذاری الکترون ها بر یکدیگر را به عهده دارند، بسیار دشوار است. در واقع، بسیاری از متدها در شیمی کوانتومی، به طور کلی از بیان عملکرد تابع موج صرف‌نظر می‌کنند و به جای آن، تنها سعی می‌کنند که انرژی مولکول را اندازه‌گیری کنند و از آنجا که این مساله تخمینی است، کیفیت پیش‌بینی در این متدها محدود است.

روش‌های دیگری هم تابع موج را با استفاده از تعداد زیادی از بلوک‌های ریاضی است؛ اما این روش‌ها بسیار پیچیده هستند و استفاده عملی از آنها برای بیش از چند اتم، غیرممکن است.
شبکه عصبی عمیقی که پروفسور نوئه و تیمش طراحی کرده‌اند، روشی تازه برای نمایش توابع موج الکترون‌هاست.

وی توضیح می‌دهد: به جای رویکرد استاندارد ترکیب تابع موج از عناصر نسبتا ساده ریاضی، یک شبکه عصبی طراحی کردیم که قادر به یادگیری الگوهای پیچیده استقرار الکترون‌ها اطراف هسته اتم است.

دکتر یان هرمان، طراح شبکه عصبی نیز می‌گوید: یکی از ویژگی‌های توابع موج الکترونی، نامتقارن بودن آنهاست. وقیت دو الکترون تبادل می‌شوند، عملگر آن در تابع موج تغییر می‌کند و ما باید این ویژگی را درون معماری شبکه عصبی خود پیش‌بینی می‌کردیم. این ویژگی، «اصل طرد پاولی» نام دارد و به همین دلیل هم محققان، نام روش خود را PauliNet گذاشته‌اند.
 
علاوه بر اصل طرد پاولی، توابع موج الکترونیکی دارای ویژگی‌های اساسی فیزیکی دیگری نیز هستند و موفقیت PauliNet در این است که به جای اینکه شکل‌گیری این ویژگی‌ها را به مشاهده داده‌ای از سوی مدل هوش مصنوعی واگذار کند، از پیش این خصوصیات در شبکه عصبی عمیق ادغام شده است.