resumo: Os pesquisadores desenvolveram uma tecnologia de inteligência artificial inspirada no cérebro usando redes neurais para modelar estados quânticos difíceis de moléculas, o que é crucial para tecnologias como painéis solares e fotocatalisadores.
Esta nova abordagem melhora muito a precisão, permitindo uma melhor previsão dos comportamentos moleculares durante as transições de energia. Ao melhorar a nossa compreensão dos estados moleculares excitados, esta pesquisa poderá revolucionar a prototipagem de materiais e a síntese química.
Principais fatos:
- As redes neurais modelaram estados moleculares excitados com uma precisão sem precedentes.
- Uma precisão cinco vezes maior do que os métodos anteriores foi alcançada para moléculas complexas.
- Pode levar a simulações computacionais de materiais e modelos químicos.
fonte: Colégio Imperial de Londres
Novas pesquisas utilizando redes neurais, uma forma de inteligência artificial inspirada no cérebro, propõem uma solução para o difícil desafio de modelar os estados das moléculas.
A pesquisa mostra como essa técnica pode ajudar a resolver equações fundamentais em sistemas moleculares complexos.
Isto poderá levar a utilizações práticas no futuro, ajudando os investigadores a criar protótipos de novos materiais e combinações químicas utilizando simulações de computador antes de tentarem fabricá-los em laboratório.
Liderado por cientistas do Imperial College London e do Google DeepMind, o estudo foi publicado hoje em ciências.
Partículas excitadas
A equipe estudou o problema de entender como as moléculas se movem de e para “estados excitados”. Quando moléculas e materiais são excitados por uma grande quantidade de energia, como a exposição à luz ou a altas temperaturas, os elétrons neles contidos podem mover-se para uma nova configuração temporária, conhecida como estado excitado.
A quantidade precisa de energia absorvida e liberada à medida que as moléculas transitam entre estados cria uma impressão digital única para diferentes moléculas e materiais. Isto afeta o desempenho de tecnologias que vão desde painéis solares e LEDs até semicondutores e fotocatalisadores. Eles também desempenham um papel crucial nos processos biológicos que envolvem a luz, incluindo a fotossíntese e a visão.
No entanto, é muito difícil modelar esta impressão digital porque os electrões excitados são de natureza quântica, o que significa que as suas posições dentro das moléculas nunca são certas e só podem ser expressas como probabilidades.
O pesquisador principal, David Faw, do Google DeepMind e do Departamento de Física do Imperial College, disse: “Representar o estado de um sistema quântico é muito difícil.
“O espaço de todas as configurações possíveis é enorme – se você tentasse representá-lo como uma grade com 100 pontos ao longo de cada dimensão, o número de configurações eletrônicas possíveis para um átomo de silício seria maior que o número de átomos no universo. é exatamente onde pensamos que as redes neurais profundas poderiam ajudar”.
Redes Neurais
Os pesquisadores desenvolveram uma nova abordagem matemática e a usaram com uma rede neural chamada FermiNet, que foi o primeiro exemplo em que o aprendizado profundo foi usado para calcular a energia de átomos e moléculas a partir de princípios fundamentais que eram precisos o suficiente para serem úteis.
A equipe testou sua abordagem com uma série de exemplos e os resultados foram promissores. Em uma molécula pequena, mas complexa, chamada dicarbonato, eles conseguiram atingir um erro absoluto médio de 4 MeV (milielétron-volts – uma pequena medida de energia), que é quase cinco vezes maior que os resultados experimentais em comparação com métodos padrão anteriores de 20 MeV. .
Dr Faw disse: “Testamos nosso método em alguns dos sistemas mais desafiadores da química computacional, onde dois elétrons são excitados simultaneamente, e descobrimos que estávamos a cerca de 0,1 MeV dos cálculos mais complexos e exigentes realizados até o momento.
“Hoje, estamos tornando nosso trabalho mais recente em código aberto e esperamos que a comunidade de pesquisa desenvolva nossos métodos para explorar as maneiras inesperadas pelas quais a matéria interage com a luz.”
Sobre notícias de pesquisa em inteligência artificial
autor: Hayley Dunning
fonte: Colégio Imperial de Londres
comunicação: Hayley Dunning – Imperial College Londres
imagem: Imagem retirada do Neuroscience News
Pesquisa original: O acesso está fechado.
“Cálculo preciso de estados excitados quânticos usando redes neurais“Por David Faw et al.” ciências
um resumo
Cálculo preciso de estados excitados quânticos usando redes neurais
introdução
Compreender a física de como a matéria interage com a luz requer uma modelagem precisa dos estados eletrônicos excitados dos sistemas quânticos. Isso forma a base para o comportamento de fotocatalisadores, corantes fluorescentes, pontos quânticos, diodos emissores de luz (LEDs), lasers, células solares e muito mais.
Os métodos atuais de química quântica para estados excitados podem ser muito menos precisos do que aqueles para estados fundamentais, às vezes são qualitativamente imprecisos ou podem exigir conhecimento prévio direcionado a estados específicos. As redes neurais combinadas com Monte Carlo variacional (VMC) alcançaram notável precisão das funções de onda do estado fundamental para uma variedade de sistemas, incluindo modelos de spin, moléculas e sistemas de matéria condensada.
Embora o VMC tenha sido usado para estudar estados excitados, os métodos anteriores têm limitações que tornam difícil ou impossível seu uso com redes neurais e muitas vezes contêm muitos parâmetros livres que requerem ajuste para alcançar bons resultados.
Justificativa
Combinamos a flexibilidade das soluções de redes neurais com uma visão matemática que nos permite transformar o problema de encontrar estados excitados de um sistema no problema de encontrar o estado fundamental de um sistema estendido, que pode então ser resolvido usando VMC padrão. Chamamos essa abordagem de VMC para estados excitados normais (NES-VMC).
A independência linear dos estados espontaneamente excitados é imposta pela forma funcional do estado. A energia e outros potenciais de cada estado excitado são obtidos pela transformação da matriz dos valores da projeção hamiltoniana tomada sobre o estado individual, que pode ser acumulada sem custo adicional.
O que é crucial aqui é que esta abordagem não possui parâmetros livres para ajuste e não requer condições de penalidade para impor a ortostase. Examinamos a precisão dessa abordagem usando duas arquiteturas de redes neurais diferentes – FermiNet e Psiformer.
resultados
Demonstramos nossa abordagem em sistemas de referência que vão desde átomos individuais até moléculas do tamanho de gasolina. Demonstramos a precisão do NES-VMC em átomos da primeira linha, correspondendo estreitamente aos resultados experimentais, e em uma variedade de moléculas pequenas, obtendo energias muito precisas e forças de oscilador comparáveis às melhores estimativas teóricas existentes.
Calculamos as curvas de energia potencial para os estados excitados mais baixos nos dois carbonos e identificamos os estados ao longo dos comprimentos das ligações analisando suas simetrias e rotações. As energias de excitação vertical do NES-VMC corresponderam às obtidas usando o método de reação de formação de banho térmico semi-aleatório (SHCI) de alta resolução com resolução química para todos os comprimentos de ligação, enquanto as excitações adiabáticas estavam em média dentro de 4 MeV dos valores experimentais. - Esta é uma melhoria de quatro vezes em comparação com o SHCI.
No caso do etileno, o NES-VMC descreveu corretamente a junção cônica da molécula torcida e estava em excelente concordância com os resultados de interação de conformação multi-referência de alta resolução (MR-CI). Também consideramos cinco sistemas desafiadores com excitações duplas de baixa altura, incluindo múltiplas moléculas do tamanho de benzeno.
Em todos os sistemas onde há uma boa concordância entre os métodos sobre energias de excitação vertical, o Psiformer estava dentro da precisão química entre os estados, incluindo o butadieno, onde a ordem de estados específicos tem sido contestada por muitas décadas. Na tetrazina e na ciclopentadiona, onde os cálculos modernos realizados apenas alguns anos atrás eram conhecidos por serem imprecisos, os resultados do NES-VMC correspondiam de perto aos modernos e sofisticados cálculos difusionais de Monte Carlo e à teoria completa da perturbação de terceira ordem do espaço ativo (CASPT3).
Por fim, consideramos a molécula de benzeno, onde a combinação do NES-VMC e do método Psiformer esteve em melhor concordância com as melhores estimativas teóricas do que outros métodos, incluindo métodos de análise de redes neurais utilizando métodos de penalidade. Isso valida matematicamente nossa abordagem e mostra que as redes neurais podem representar com precisão os estados excitados das moléculas no limite atual dos métodos computacionais.
conclusão
O NES-VMC é um princípio variacional matematicamente sólido e sem coeficientes para estados excitados. Combiná-lo com soluções de redes neurais permite uma precisão notável em uma ampla gama de problemas de benchmark. O desenvolvimento de uma abordagem VMC precisa para estados excitados de sistemas quânticos abre muitas possibilidades e expande significativamente a gama de aplicações de funções de onda de redes neurais.
Embora tenhamos considerado apenas excitações eletrônicas para sistemas moleculares e soluções de redes neurais, o NES-VMC é aplicável a qualquer hamiltoniano quântico e a qualquer solução, permitindo estudos computacionais precisos que podem melhorar nossa compreensão de acoplamentos vibracionais, bandgaps fotônicos e outras dificuldades. problemas.
