L’intelligenza artificiale modella accuratamente situazioni molecolari complesse

riepilogo: I ricercatori hanno sviluppato una tecnologia di intelligenza artificiale ispirata al cervello utilizzando reti neurali per modellare difficili stati quantistici delle molecole, che è fondamentale per tecnologie come i pannelli solari e i fotocatalizzatori.

Questo nuovo approccio migliora notevolmente la precisione, consentendo una migliore previsione dei comportamenti molecolari durante le transizioni energetiche. Migliorando la nostra comprensione degli stati molecolari eccitati, questa ricerca potrebbe rivoluzionare la prototipazione dei materiali e la sintesi chimica.

Fatti principali:

• Le reti neurali hanno modellato gli stati eccitati molecolari con una precisione senza precedenti.
• Per le molecole complesse è stata ottenuta una precisione cinque volte maggiore rispetto ai metodi precedenti.
• Può portare a simulazioni al computer di materiali e modelli chimici.

fonte: Imperial College di Londra

Una nuova ricerca che utilizza le reti neurali, una forma di intelligenza artificiale ispirata al cervello, propone una soluzione alla difficile sfida di modellare gli stati delle molecole.

La ricerca mostra come questa tecnica può aiutare a risolvere equazioni fondamentali in sistemi molecolari complessi.

Ciò potrebbe portare a usi pratici in futuro, aiutando i ricercatori a creare prototipi di nuovi materiali e combinazioni chimiche utilizzando simulazioni al computer prima di provare a produrli in laboratorio.

Lo studio, condotto da scienziati dell’Imperial College di Londra e di Google DeepMind, è stato pubblicato oggi su scienze.

Particelle eccitate

Il team ha studiato il problema di comprendere come le molecole si muovono da e verso gli “stati eccitati”. Quando molecole e materiali sono eccitati da una grande quantità di energia, come l’esposizione alla luce o alle alte temperature, gli elettroni in essi contenuti possono spostarsi in una nuova configurazione temporanea, nota come stato eccitato.

La quantità precisa di energia assorbita e rilasciata durante la transizione delle molecole tra gli stati crea un’impronta digitale unica per diverse molecole e materiali. Ciò influisce sulle prestazioni di tecnologie che vanno dai pannelli solari e LED ai semiconduttori e ai fotocatalizzatori. Svolgono anche un ruolo cruciale nei processi biologici che coinvolgono la luce, comprese la fotosintesi e la visione.

Tuttavia, è molto difficile modellare questa impronta digitale perché gli elettroni eccitati sono di natura quantistica, il che significa che le loro posizioni all’interno delle molecole non sono mai certe e possono essere espresse solo come probabilità.

Il ricercatore capo Dr David Faw di Google DeepMind e del Dipartimento di Fisica dell’Imperial College ha dichiarato: “Rappresentare lo stato di un sistema quantistico è molto difficile. A ogni possibile configurazione delle posizioni degli elettroni deve essere assegnata una probabilità.

“Lo spazio di tutte le possibili configurazioni è enorme: se provassi a rappresentarlo come una griglia con 100 punti lungo ciascuna dimensione, il numero di possibili configurazioni elettroniche per un atomo di silicio sarebbe maggiore del numero di atomi nell’universo è esattamente dove pensavamo che le reti neurali profonde potessero aiutare.”

Reti neurali

I ricercatori hanno sviluppato un nuovo approccio matematico e lo hanno utilizzato con una rete neurale chiamata FermiNet, che è stato il primo esempio in cui è stato utilizzato il deep learning per calcolare l’energia di atomi e molecole a partire da principi fondamentali sufficientemente precisi da essere utili.

Il team ha testato il proprio approccio con una serie di esempi e i risultati sono stati promettenti. In una molecola piccola ma complessa chiamata dicarbonato, sono stati in grado di ottenere un errore assoluto medio di 4 MeV (millielettronvolt – una piccola misura di energia), che è quasi cinque volte più grande dei risultati sperimentali rispetto ai precedenti metodi standard di 20 MeV. .

Il dottor Faw ha dichiarato: “Abbiamo testato il nostro metodo su alcuni dei sistemi più impegnativi della chimica computazionale, in cui due elettroni sono eccitati simultaneamente, e abbiamo scoperto che eravamo a circa 0,1 MeV di distanza dai calcoli più complessi ed impegnativi eseguiti fino ad oggi.

“Oggi stiamo rendendo il nostro ultimo lavoro open source e speriamo che la comunità di ricerca si basi sui nostri metodi per esplorare i modi inaspettati in cui la materia interagisce con la luce”.

Informazioni sulle novità sulla ricerca sull’intelligenza artificiale

autore: Hayley Dunning
fonte: Imperial College di Londra
comunicazione: Hayley Dunning dell’Imperial College di Londra
immagine: Immagine tratta da Neuroscience News

Ricerca originale: L’accesso è chiuso.
“Calcolo accurato degli stati eccitati quantistici utilizzando reti neurali“Di David Faw et al.” scienze

un riassunto

Calcolo accurato degli stati eccitati quantistici utilizzando reti neurali

introduzione

Comprendere la fisica di come la materia interagisce con la luce richiede una modellazione precisa degli stati elettronici eccitati dei sistemi quantistici. Ciò costituisce la base per il comportamento di fotocatalizzatori, coloranti fluorescenti, punti quantici, diodi emettitori di luce (LED), laser, celle solari e molto altro.

Gli attuali metodi di chimica quantistica per gli stati eccitati possono essere molto meno precisi di quelli per gli stati fondamentali, sono talvolta qualitativamente imprecisi o possono richiedere conoscenze preliminari mirate a stati specifici. Le reti neurali combinate con il Monte Carlo variazionale (VMC) hanno raggiunto una notevole accuratezza delle funzioni d’onda dello stato fondamentale per una gamma di sistemi, inclusi modelli di spin, molecole e sistemi di materia condensata.

Sebbene la VMC sia stata utilizzata per studiare gli stati eccitati, i metodi precedenti presentano limitazioni che ne rendono difficile o impossibile l’utilizzo con le reti neurali e spesso contengono molti parametri liberi che richiedono la messa a punto per ottenere buoni risultati.

Motivazione

Combiniamo la flessibilità delle soluzioni di rete neurale con una visione matematica che ci consente di trasformare il problema di trovare gli stati eccitati di un sistema nel problema di trovare lo stato fondamentale di un sistema esteso, che può poi essere affrontato utilizzando VMC standard. Chiamiamo questo approccio VMC per stati eccitati normali (NES-VMC).

L’indipendenza lineare degli stati spontaneamente eccitati è imposta dalla forma funzionale dello stato. L’energia e gli altri potenziali di ciascuno stato eccitato si ottengono trasformando la matrice dei valori di proiezione hamiltoniana assunti sul singolo stato, che possono essere accumulati senza costi aggiuntivi.

Ciò che è cruciale qui è che questo approccio non ha parametri liberi da regolare e non richiede condizioni di penalità per imporre l’ortostasi. Abbiamo esaminato l’accuratezza di questo approccio utilizzando due diverse architetture di rete neurale: FermiNet e Psiformer.

risultati

Abbiamo dimostrato il nostro approccio su sistemi di riferimento che vanno dai singoli atomi fino alle molecole delle dimensioni della benzina. Abbiamo dimostrato l’accuratezza di NES-VMC sugli atomi della prima fila, corrispondendo strettamente ai risultati sperimentali, e su una serie di piccole molecole, ottenendo energie e forze dell’oscillatore molto precise paragonabili alle migliori stime teoriche esistenti.

Abbiamo calcolato le curve di energia potenziale per gli stati eccitati più bassi nei due atomi di carbonio e identificato gli stati attraverso le lunghezze dei legami analizzando le loro simmetrie e rotazioni. Le energie di eccitazione verticale del NES-VMC corrispondevano a quelle ottenute utilizzando il metodo della reazione di formazione del bagno termico semi-casuale (SHCI) ad alta risoluzione con risoluzione chimica per tutte le lunghezze di legame, mentre le eccitazioni adiabatiche erano in media entro 4 MeV dai valori sperimentali. ​- Si tratta di un miglioramento di quattro volte rispetto a SHCI.

Nel caso dell’etilene, NES-VMC ha descritto correttamente la giunzione conica della molecola attorcigliata ed era in ottimo accordo con i risultati dell’interazione di conformazione multi-riferimento ad alta risoluzione (MR-CI). Abbiamo anche considerato cinque sistemi impegnativi con doppie eccitazioni a bassa altezza, comprese più molecole delle dimensioni di benzene.

In tutti i sistemi in cui esiste un buon accordo tra i metodi sulle energie di eccitazione verticale, Psiformer rientra nell’accuratezza chimica tra gli stati, incluso il butadiene, dove l’ordine di stati particolari è stato contestato per molti decenni. Nella tetrazina e nel ciclopentadienone, dove i calcoli moderni eseguiti solo pochi anni fa erano noti per essere imprecisi, i risultati NES-VMC corrispondevano strettamente ai moderni e sofisticati calcoli diffusionali Monte Carlo e alla teoria completa delle perturbazioni del terzo ordine dello spazio attivo (CASPT3).

Infine, abbiamo considerato la molecola di benzene, dove la combinazione di NES-VMC e il metodo Psiformer era in migliore accordo con le migliori stime teoriche rispetto ad altri metodi, compresi i metodi di analisi della rete neurale che utilizzano metodi di penalità. Ciò convalida matematicamente il nostro approccio e mostra che le reti neurali possono rappresentare accuratamente gli stati eccitati delle molecole all’attuale limite dei metodi computazionali.

conclusione

Il NES-VMC è un principio variazionale privo di coefficienti e matematicamente valido per gli stati eccitati. La combinazione con soluzioni di rete neurale consente una notevole precisione in un’ampia gamma di problemi di benchmark. Lo sviluppo di un approccio VMC accurato agli stati eccitati dei sistemi quantistici apre molte possibilità e amplia significativamente la gamma di applicazioni delle funzioni d’onda delle reti neurali.

Sebbene abbiamo considerato solo eccitazioni elettroniche per sistemi molecolari e soluzioni di reti neurali, NES-VMC è applicabile a qualsiasi hamiltoniana quantistica e a qualsiasi soluzione, consentendo studi computazionali precisi che possono migliorare la nostra comprensione degli accoppiamenti vibrazionali, dei gap di banda fotonici e della fisica nucleare e altri problemi difficili problemi.