Прорывной алгоритм может в разумные сроки и не привлекая суперкомпьютеры решать уравнение Шредингера для произвольных молекул. Это позволяет без трудоемких и затратных натурных экспериментов с большой вероятностью определять основные свойства вещества.
Пример определения свойств молекулы циклобутадиена разными методами. PauliNet сравнивается с двумя вариантами связанных кластеров (MR-CC и CCSD), а также с экспериментальными данными / ©Hermann, J., Schätzle, Z. & Noé, F. Deep-neural-network solution of the electronic Schrödinger equation. Nat. Chem. 12, 891–897 (2020). https://doi.org/10.1038/s41557-020-0544-y
Разработку представили немецкие ученые из Свободного университета Берлина (Freie Universität Berlin). Особенности разработки и обучения глубинной нейронной сети PauliNet они описали в статье, которая была опубликована в рецензируемом журнале Nature Chemistry. Поскольку материал доступен только по подписке, его основные тезисы также можно изучить в препринте, размещенном на портале arXiv годом ранее. С тех пор научная работа была существенно дополнена, в том числе практическими результатами, но общее представление о технологии дает и предварительная публикация.
Алгоритм PauliNet получил свое название в честь принципа Паули — одного из фундаментальных правил квантовой механики. Согласно этому принципу, два и более электрона в атомах не могут находиться в одинаковых квантовых состояниях. То есть при обмене электронами их волновая функция меняет знак. Эта антисимметрия, а также ряд других постулатов квантовой физики были «зашиты» в глубинную нейросеть (Deep neural network) сразу. А вот обучали ее уже другим свойствам элементарных частиц — в частности, сложным закономерностям распределения электронов по оболочкам вокруг ядер атомов.
На основе этих данных нейросеть научилась исследовать произвольные молекулы квантовыми методами Монте-Карло. Они подразумевают решение уравнений Шредингера для большого количества частиц. Основная сложность при выполнении таких задач — необходимость больших вычислительных мощностей для определения многочастичной волновой функции. Обычно используют более простые методы, например Теорию функционала плотности (DFT) или связанные кластеры (CC).
Однако такие упрощения создают ряд ограничений и для многих соединений все равно оказываются практически бесполезными. В результате физикам и химикам приходится постоянно искать компромиссы: или низкая точность, но относительно быстрые расчеты, либо высокая точность, но при этом нужно искать, на каком «железе» все это можно обсчитать. А в большинстве случаев выбора особого нет: сложные молекулы не по зубам даже современным суперкомпьютерам и системам распределенных вычислений.
А нейросети PauliNet удалось создать свою методику вычисления волновых функций. Этот алгоритм за вполне разумные сроки способен решать уравнения Шредингера для практически любых молекул.
В приведенных примерах авторы этого искусственного интеллекта определяли свойства ряда соединений за считаные десятки часов работы обычных графических карт персональных компьютеров. Таким образом немецкие ученые нашли новый и чрезвычайно эффективный способ вычисления основного состояния произвольных молекул.
Комментарии
Это, конечно, крутая новость, но индекс важности – 8? Если разбрасываетесь такими цифрами, то может будете объяснять что именно оно изменит в нашей жизни?
Квантовый уровень постоянно работает именно в вашей жизни. Копирование ДНК идет внутре вас именно на квантовом уровне, и уравнения Шредингера работают там же.
Так, хорошо. У них в описании рейтинга важности – 9 это появление лекарства от рака. Я понимаю, что оно поменяет. Но вот эта новость о чем? Что именно поменяет главная технология в настоящий момент или недалёком будущем?
Ну, может, способность определять за разумное время свойства многих соединений поможет находить лекарства от рака?
Поможет, голубчик, еще как поможет. У Фейнмана в его лекциях написано примерно следующее - дайте мне скорости и координаты всех молекул во Вселенной, и я предскажу Вам будущее.
Я помню, пару лет назад на научно-популярной лекции про квантовую теорию, лектор замечал, что на данный момент мы можем точно решать квантовые волновые уравнения только для достаточно простых систем, вроде атома водорода. Для остальных у нас дури не хватает. И каждый шаг на этом путь я, собственно, приветствую
А без точного решения можно и обойтись. С помощью теории функционала плотности (ТФП, она же DFT) можно приближённо обсчитывать системы из нескольких сотен атомов. Но эта "приближённость" такая, что даже знай мы точное решение - мы не смогли бы в эксперименте отличить его от приближённого.
Если учесть, что даже теория функционала плотности, которая позволяет рассчитывать системы из пары-тройки сотен атомов с сумасшедшей точностью, совершила революцию в квантовой химии и физике и позволила человечеству узнать такое, о чём оно ещё в 60-е даже мечтать не могло, то технология, которая позволит с такой же точностью считать десятки и сотни тысяч атомов, поменяет всё ещё больше. Что поменяет? Например, позволит разработать, например, катализаторы химических процессов, новые материалы с заданными свойствами, можно будет рассчитать биохимические реакции, в том числе и для предсказания эффектов лекарств. И многое другое. Это и сейчас делается вовсю, но ограничения на число атомов изрядно тормозят процесс...
Впрочем, не прочитав исходную статью, я не берусь, насколько описанный метод точен и насколько он универсален. Как он соотносится по скорости счёта и точности с другими методами, которые сейчас используются для расчёта больших систем: DFT-B, QM/MM и проч.
Спасибо за разъяснения, жаль что это не было написано в самой статье