AI modelleert complexe moleculaire situaties nauwkeurig

samenvatting: Onderzoekers hebben op de hersenen geïnspireerde kunstmatige intelligentietechnologie ontwikkeld met behulp van neurale netwerken om moeilijke kwantumtoestanden van moleculen te modelleren, wat cruciaal is voor technologieën zoals zonnepanelen en fotokatalysatoren.

Deze nieuwe aanpak verbetert de nauwkeurigheid aanzienlijk, waardoor een betere voorspelling van moleculair gedrag tijdens energietransities mogelijk wordt. Door ons begrip van aangeslagen moleculaire toestanden te vergroten, zou dit onderzoek een revolutie teweeg kunnen brengen in de prototyping van materialen en de chemische synthese.

Belangrijkste feiten:

• Neurale netwerken hebben moleculaire opgewonden toestanden met ongekende nauwkeurigheid gemodelleerd.
• Voor complexe moleculen werd een vijf keer grotere nauwkeurigheid bereikt dan eerdere methoden.
• Het kan leiden tot computersimulaties van materialen en chemische modellen.

bron: Imperial College Londen

Nieuw onderzoek waarbij gebruik wordt gemaakt van neurale netwerken, een vorm van kunstmatige intelligentie geïnspireerd door de hersenen, stelt een oplossing voor voor de moeilijke uitdaging van het modelleren van de toestanden van moleculen.

Het onderzoek laat zien hoe deze techniek kan helpen bij het oplossen van fundamentele vergelijkingen in complexe moleculaire systemen.

Dit zou in de toekomst tot praktische toepassingen kunnen leiden, waardoor onderzoekers prototypes van nieuwe materialen en chemische combinaties kunnen maken met behulp van computersimulaties voordat ze deze in het laboratorium proberen te vervaardigen.

Onder leiding van wetenschappers van Imperial College London en Google DeepMind werd de studie vandaag gepubliceerd in wetenschappen.

Opgewonden deeltjes

Het team bestudeerde het probleem van het begrijpen hoe moleculen van en naar ‘aangeslagen toestanden’ bewegen. Wanneer moleculen en materialen worden opgewonden door een grote hoeveelheid energie, zoals blootstelling aan licht of hoge temperaturen, kunnen de elektronen daarin in een tijdelijke nieuwe configuratie terechtkomen, ook wel een aangeslagen toestand genoemd.

De precieze hoeveelheid energie die wordt geabsorbeerd en vrijgegeven wanneer moleculen tussen toestanden overgaan, creëert een unieke vingerafdruk voor verschillende moleculen en materialen. Dit heeft invloed op de prestaties van technologieën variërend van zonnepanelen en LED’s tot halfgeleiders en fotokatalysatoren. Ze spelen ook een cruciale rol in biologische processen waarbij licht betrokken is, waaronder fotosynthese en zicht.

Het is echter erg moeilijk om deze vingerafdruk te modelleren, omdat de aangeslagen elektronen kwantumvormig van aard zijn, wat betekent dat hun posities binnen moleculen nooit zeker zijn en alleen kunnen worden uitgedrukt als waarschijnlijkheden.

Hoofdonderzoeker dr. David Faw van Google DeepMind en de afdeling natuurkunde van het Imperial College zei: “Het weergeven van de toestand van een kwantumsysteem is erg moeilijk. Aan elke mogelijke configuratie van elektronenposities moet een waarschijnlijkheid worden toegewezen.

“De ruimte van alle mogelijke configuraties is enorm – als je het zou proberen voor te stellen als een raster met 100 punten langs elke dimensie, zou het aantal mogelijke elektronische configuraties voor een siliciumatoom groter zijn dan het aantal atomen in het universum is precies waar we dachten dat diepe neurale netwerken zouden kunnen helpen.”

Neurale netwerken

De onderzoekers ontwikkelden een nieuwe wiskundige aanpak en gebruikten deze met een neuraal netwerk genaamd FermiNet, het eerste voorbeeld waarbij deep learning werd gebruikt om de energie van atomen en moleculen te berekenen op basis van fundamentele principes die nauwkeurig genoeg waren om bruikbaar te zijn.

Het team testte hun aanpak met een reeks voorbeelden en de resultaten waren veelbelovend. In een klein maar complex molecuul, dicarbonaat genaamd, waren ze in staat een gemiddelde absolute fout van 4 MeV (milli-elektronvolt – een kleine maatstaf voor energie) te bereiken, wat bijna vijf keer groter is dan de experimentele resultaten vergeleken met eerdere standaardmethoden van 20 MeV. .

Dr. Faw zei: “We hebben onze methode getest op enkele van de meest uitdagende systemen in de computationele chemie, waarbij twee elektronen tegelijkertijd worden geëxciteerd, en ontdekten dat we ongeveer 0,1 MeV verwijderd waren van de meest complexe en veeleisende berekeningen die tot nu toe zijn uitgevoerd.

“Vandaag maken we ons nieuwste werk open source, en we hopen dat de onderzoeksgemeenschap zal voortbouwen op onze methoden om de onverwachte manieren te onderzoeken waarop materie in wisselwerking staat met licht.”

Over onderzoeksnieuws over kunstmatige intelligentie

auteur: Hayley Dunning
bron: Imperial College Londen
mededeling: Hayley Dunning – Imperial College Londen
afbeelding: Afbeelding afkomstig van Neuroscience News

Originele zoekopdracht: De toegang is gesloten.
“Nauwkeurige berekening van kwantum-aangeslagen toestanden met behulp van neurale netwerken“Door David Faw et al.” wetenschappen

een samenvatting

Nauwkeurige berekening van kwantum-aangeslagen toestanden met behulp van neurale netwerken

invoering

Het begrijpen van de fysica van hoe materie interageert met licht vereist nauwkeurige modellering van de elektronisch aangeslagen toestanden van kwantumsystemen. Dit vormt de basis voor het gedrag van fotokatalysatoren, fluorescerende kleurstoffen, kwantumdots, light-emitting diodes (LED’s), lasers, zonnecellen en nog veel meer.

De huidige kwantumchemische methoden voor aangeslagen toestanden zijn mogelijk veel minder nauwkeurig dan die voor grondtoestanden, zijn soms kwalitatief onnauwkeurig, of vereisen mogelijk voorkennis die gericht is op specifieke toestanden. Neurale netwerken gecombineerd met variatie Monte Carlo (VMC) hebben een opmerkelijke nauwkeurigheid bereikt van grondtoestandsgolffuncties voor een reeks systemen, waaronder spinmodellen, moleculen en systemen van gecondenseerde materie.

Hoewel VMC is gebruikt om opgewonden toestanden te bestuderen, hebben eerdere methoden beperkingen die het gebruik met neurale netwerken moeilijk of onmogelijk maken en bevatten ze vaak veel vrije parameters die afstemming vereisen om goede resultaten te bereiken.

Grondgedachte

We combineren de flexibiliteit van neurale netwerkoplossingen met een wiskundig inzicht dat ons in staat stelt het probleem van het vinden van aangeslagen toestanden van een systeem te transformeren in het probleem van het vinden van de grondtoestand van een uitgebreid systeem, dat vervolgens kan worden aangepakt met behulp van standaard VMC. We noemen deze aanpak VMC voor normale opgewonden toestanden (NES-VMC).

De lineaire onafhankelijkheid van de spontaan aangeslagen toestanden wordt opgelegd door de functionele vorm van de toestand. De energie en andere potentiëlen van elke aangeslagen toestand worden verkregen door het transformeren van de matrix van Hamiltoniaanse projectiewaarden die over de individuele toestand zijn genomen, en die zonder extra kosten kunnen worden geaccumuleerd.

Wat hier cruciaal is, is dat deze aanpak geen vrije parameters heeft om aan te passen en geen strafvoorwaarden vereist om orthostasis af te dwingen. We hebben de nauwkeurigheid van deze aanpak onderzocht met behulp van twee verschillende neurale netwerkarchitecturen: FermiNet en Psiformer.

resultaten

We hebben onze aanpak gedemonstreerd met referentiesystemen variërend van enkele atomen tot moleculen ter grootte van een benzine. We hebben de nauwkeurigheid van NES-VMC gedemonstreerd op atomen van de eerste rij, waarbij experimentele resultaten nauw overeenkomen, en op een reeks kleine moleculen, waardoor zeer nauwkeurige energieën en oscillatorsterkten werden verkregen die vergelijkbaar zijn met de beste bestaande theoretische schattingen.

We berekenden de potentiële energiecurven voor de laagste aangeslagen toestanden in de twee koolstofatomen en identificeerden de toestanden over de bindingslengtes door hun symmetrieën en rotaties te analyseren. De verticale excitatie-energieën van NES-VMC kwamen overeen met die verkregen met behulp van de hoge resolutie semi-willekeurige thermische badvormingsreactie (SHCI) -methode met chemische resolutie voor alle bindingslengtes, terwijl de adiabatische excitaties gemiddeld binnen 4 MeV van experimentele waarden lagen. ​- Dit is een viervoudige verbetering vergeleken met SHCI.

In het geval van ethyleen beschreef NES-VMC correct de conische overgang van het gedraaide molecuul en kwam het uitstekend overeen met de resultaten van de hoge resolutie multi-referentie conformatie-interactie (MR-CI). We hebben ook vijf uitdagende systemen overwogen met dubbele excitaties op lage hoogte, waaronder meerdere moleculen ter grootte van benzeen.

In alle systemen waar er goede overeenstemming bestaat tussen methoden voor verticale excitatie-energieën, lag Psiformer binnen de chemische nauwkeurigheid in alle staten, inclusief butadieen, waar de volgorde van bepaalde staten al tientallen jaren wordt betwist. In tetrazine en cyclopentadienon, waarvan bekend was dat moderne berekeningen die nog maar een paar jaar geleden werden uitgevoerd, onnauwkeurig waren, kwamen de NES-VMC-resultaten nauw overeen met moderne, geavanceerde diffusie-Monte Carlo-berekeningen en de volledige actieve ruimte derde orde verstoringstheorie (CASPT3).

Ten slotte hebben we het benzeenmolecuul overwogen, waarbij de combinatie van NES-VMC en de Psiformer-methode beter overeenkwam met de beste theoretische schattingen dan andere methoden, waaronder methoden voor neurale netwerkanalyse met behulp van strafmethoden. Dit valideert wiskundig onze aanpak en laat zien dat neurale netwerken de aangeslagen toestanden van moleculen nauwkeurig kunnen weergeven op de huidige limiet van computationele methoden.

conclusie

De NES-VMC is een coëfficiëntvrij en wiskundig verantwoord variatieprincipe voor aangeslagen toestanden. De combinatie ervan met neurale netwerkoplossingen maakt opmerkelijke nauwkeurigheid mogelijk bij een breed scala aan benchmarkproblemen. De ontwikkeling van een nauwkeurige VMC-benadering van aangeslagen toestanden van kwantumsystemen opent veel mogelijkheden en breidt het toepassingsgebied van neurale netwerkgolffuncties aanzienlijk uit.

Hoewel we alleen elektronische excitaties voor moleculaire systemen en neurale netwerkoplossingen hebben overwogen, is NES-VMC toepasbaar op elke kwantum Hamiltoniaan en elke oplossing, waardoor nauwkeurige computationele studies mogelijk zijn die ons begrip van trillingskoppelingen, fotonische bandgaps en andere moeilijke fysica kunnen verbeteren problemen.