Sieci neuronowe DeepMind otwierają nowe okno do zrozumienia interakcji elektronicznych

Nowe badania DeepMind pokazują, że sieci neuronowe można wykorzystać do budowy dokładniejszej mapy gęstości i interakcji między elektronami niż było to możliwe wcześniej. Rezultat jest krokiem w kierunku umożliwienia naukowcom lepszego zrozumienia interakcji między elektronami, które utrzymują razem molekuły, a także pokazuje obietnicę głębokiego uczenia, aby dokładnie symulować materię na poziomie mechaniki kwantowej – co może umożliwić ulepszone projektowanie w komputerze poprzez umożliwienie naukowcom aby to zrobić. Poznaj pytania dotyczące materiałów, leków i katalizatorów na poziomie nano. Teoria funkcjonału gęstości (DFT), która opisuje podstawowe właściwości materii kwantowej, została po raz pierwszy stworzona ponad 50 lat temu. Stała się powszechną metodą przewidywania właściwości oddziaływań elektronowych w chemii, biologii i materiałoznawstwie. Jednak dokładny charakter odwzorowania między gęstością elektronową a energią interakcji – tak zwany funkcjonał gęstości – od dawna wymyka się naukowemu poznaniu. Z tego powodu nawet współczesne funkcje DFT obarczone są podstawowymi błędami metodologicznymi w opisie ułamkowego ładunku i spinu elektronu. Aby rozwiązać te ograniczenia, James Kirkpatrick i współpracownicy wykorzystali platformę DeepMind do opracowania struktury do trenowania sieci neuronowej na podstawie dokładnych danych chemicznych i częściowych ograniczeń elektronowych, co zaowocowało funkcjonalnym „DM21”. Według autorów, DM21 był w stanie nauczyć się funkcji wolnych od dwóch krytycznych błędów systematycznych, błędu nielokalizacji i łamania symetrii spinowej, co zaowocowało lepszym modelowaniem szerokiej klasy reakcji chemicznych w porównaniu z poprzednimi platformami. „Znaczenie DM21 opracowanego przez Kirkpatricka i wsp. nie polega na tym, że wytwarza maksymalną gęstość funkcjonalną, ale podejście AI rozwiązuje problem elektronów i spinów, które oparły się prostemu rozwiązaniu analitycznemu w celu stworzenia funkcji” – pisze John Perdue w pokrewnym perspektywiczny.