AI memodelkan situasi molekuler yang kompleks secara akurat

ringkasan: Para peneliti telah mengembangkan teknologi kecerdasan buatan yang terinspirasi dari otak menggunakan jaringan saraf untuk memodelkan keadaan molekul kuantum yang sulit, yang sangat penting untuk teknologi seperti panel surya dan fotokatalis.

Pendekatan baru ini sangat meningkatkan akurasi, memungkinkan prediksi perilaku molekul yang lebih baik selama transisi energi. Dengan meningkatkan pemahaman kita tentang keadaan molekul tereksitasi, penelitian ini dapat merevolusi pembuatan prototipe material dan sintesis kimia.

Fakta penting:

• Jaringan saraf telah memodelkan keadaan tereksitasi molekuler dengan akurasi yang belum pernah terjadi sebelumnya.
• Akurasi lima kali lebih besar dibandingkan metode sebelumnya dicapai untuk molekul kompleks.
• Hal ini dapat mengarah pada simulasi komputer terhadap material dan model kimia.

sumber: Perguruan Tinggi Kekaisaran London

Penelitian baru menggunakan jaringan saraf, suatu bentuk kecerdasan buatan yang terinspirasi oleh otak, mengusulkan solusi terhadap tantangan sulit dalam memodelkan keadaan molekul.

Penelitian menunjukkan bagaimana teknik ini dapat membantu memecahkan persamaan fundamental dalam sistem molekuler yang kompleks.

Hal ini dapat memberikan manfaat praktis di masa depan, membantu peneliti membuat prototipe bahan baru dan kombinasi kimia menggunakan simulasi komputer sebelum mencoba memproduksinya di laboratorium.

Dipimpin oleh para ilmuwan dari Imperial College London dan Google DeepMind, penelitian ini dipublikasikan hari ini di ilmu pengetahuan.

Partikel yang tereksitasi

Tim mempelajari masalah pemahaman bagaimana molekul berpindah ke dan dari “keadaan tereksitasi.” Ketika molekul dan material tereksitasi oleh sejumlah besar energi, seperti paparan cahaya atau suhu tinggi, elektron di dalamnya dapat berpindah ke konfigurasi baru sementara, yang dikenal sebagai keadaan tereksitasi.

Jumlah tepat energi yang diserap dan dilepaskan saat molekul bertransisi antar keadaan menciptakan sidik jari unik untuk berbagai molekul dan material. Hal ini mempengaruhi kinerja teknologi mulai dari panel surya dan LED hingga semikonduktor dan fotokatalis. Mereka juga memainkan peran penting dalam proses biologis yang melibatkan cahaya, termasuk fotosintesis dan penglihatan.

Namun, sangat sulit untuk memodelkan sidik jari ini karena elektron yang tereksitasi bersifat kuantum, yang berarti bahwa posisinya dalam molekul tidak pernah pasti, dan hanya dapat dinyatakan sebagai probabilitas.

Peneliti utama Dr David Faw dari Google DeepMind dan Departemen Fisika di Imperial College mengatakan: “Mewakili keadaan sistem kuantum sangatlah sulit. Setiap kemungkinan konfigurasi posisi elektron harus diberi probabilitas.

“Ruang semua kemungkinan konfigurasi sangat besar – jika Anda mencoba merepresentasikannya sebagai kisi-kisi dengan 100 titik di setiap dimensi, jumlah kemungkinan konfigurasi elektronik untuk atom silikon akan lebih besar daripada jumlah atom di alam semesta di sinilah kami pikir jaringan saraf dalam mungkin membantu.”

Jaringan saraf

Para peneliti mengembangkan pendekatan matematika baru dan menggunakannya dengan jaringan saraf yang disebut FermiNet, yang merupakan contoh pertama di mana pembelajaran mendalam digunakan untuk menghitung energi atom dan molekul dari prinsip-prinsip dasar yang cukup tepat untuk berguna.

Tim menguji pendekatan mereka dengan serangkaian contoh, dan hasilnya menjanjikan. Dalam molekul kecil namun kompleks yang disebut dikarbonat, mereka mampu mencapai kesalahan absolut rata-rata sebesar 4 MeV (milielektronvolt – ukuran kecil energi), yang hampir lima kali lebih besar dari hasil eksperimen dibandingkan metode standar sebelumnya sebesar 20 MeV .

Dr Faw berkata: “Kami menguji metode kami pada beberapa sistem yang paling menantang dalam kimia komputasi, di mana dua elektron tereksitasi secara bersamaan, dan menemukan bahwa kami berjarak sekitar 0,1 MeV dari perhitungan paling rumit dan menuntut yang dilakukan hingga saat ini.

“Hari ini, kami membuat karya terbaru kami menjadi open source, dan kami berharap komunitas riset akan memanfaatkan metode kami untuk mengeksplorasi cara tak terduga materi berinteraksi dengan cahaya.”

Tentang berita penelitian kecerdasan buatan

pengarang: Hayley Dunning
sumber: Perguruan Tinggi Kekaisaran London
komunikasi: Hayley Dunning – Universitas Imperial London
gambar: Gambar diambil dari Berita Neuroscience

Pencarian asli: Akses ditutup.
“Perhitungan akurat keadaan tereksitasi kuantum menggunakan jaringan saraf“Oleh David Faw dkk.” ilmu pengetahuan

ringkasan

Perhitungan akurat keadaan tereksitasi kuantum menggunakan jaringan saraf

perkenalan

Memahami fisika tentang bagaimana materi berinteraksi dengan cahaya memerlukan pemodelan keadaan tereksitasi elektronik sistem kuantum yang tepat. Hal ini menjadi dasar perilaku fotokatalis, pewarna fluoresen, titik kuantum, dioda pemancar cahaya (LED), laser, sel surya, dan banyak lagi.

Metode kimia kuantum yang ada saat ini untuk keadaan tereksitasi mungkin kurang tepat dibandingkan dengan metode kimia kuantum untuk keadaan dasar, terkadang tidak tepat secara kualitatif, atau mungkin memerlukan pengetahuan sebelumnya yang menargetkan keadaan tertentu. Jaringan saraf yang dikombinasikan dengan variasi Monte Carlo (VMC) telah mencapai akurasi fungsi gelombang keadaan dasar yang luar biasa untuk berbagai sistem, termasuk model putaran, molekul, dan sistem materi terkondensasi.

Meskipun VMC telah digunakan untuk mempelajari keadaan tereksitasi, metode sebelumnya memiliki keterbatasan yang membuatnya sulit atau tidak mungkin digunakan dengan jaringan saraf dan sering kali berisi banyak parameter bebas yang memerlukan penyetelan untuk mencapai hasil yang baik.

Alasan

Kami menggabungkan fleksibilitas solusi jaringan saraf dengan wawasan matematis yang memungkinkan kami mengubah masalah menemukan keadaan tereksitasi suatu sistem menjadi masalah menemukan keadaan dasar sistem yang diperluas, yang kemudian dapat diatasi menggunakan VMC standar. Kami menyebut pendekatan ini VMC untuk keadaan tereksitasi normal (NES-VMC).

Kemandirian linier dari negara-negara yang tereksitasi secara spontan ditentukan oleh bentuk fungsional negara tersebut. Energi dan potensi lain dari setiap keadaan tereksitasi diperoleh dengan mentransformasikan matriks nilai proyeksi Hamilton yang diambil alih keadaan individual, yang dapat diakumulasikan tanpa biaya tambahan.

Yang penting di sini adalah bahwa pendekatan ini tidak memiliki parameter bebas untuk disesuaikan dan tidak memerlukan kondisi penalti untuk menegakkan ortostasis. Kami menguji keakuratan pendekatan ini menggunakan dua arsitektur jaringan saraf yang berbeda – FermiNet dan Psiformer.

hasil

Kami telah mendemonstrasikan pendekatan kami pada sistem referensi mulai dari atom tunggal hingga molekul berukuran bensin. Kami mendemonstrasikan keakuratan NES-VMC pada atom baris pertama, hasil eksperimen yang sangat cocok, dan pada sejumlah molekul kecil, memperoleh energi dan kekuatan osilator yang sangat presisi yang sebanding dengan perkiraan teoretis terbaik yang ada.

Kami menghitung kurva energi potensial untuk keadaan tereksitasi terendah dalam dua karbon dan mengidentifikasi keadaan sepanjang ikatan dengan menganalisis kesimetrian dan rotasinya. Energi eksitasi vertikal NES-VMC cocok dengan yang diperoleh dengan menggunakan metode reaksi pembentukan rendaman termal semi-acak (SHCI) resolusi tinggi dengan resolusi kimia untuk semua panjang ikatan, sedangkan eksitasi adiabatik rata-rata berada dalam 4 MeV dari nilai eksperimen. ​- Ini merupakan peningkatan empat kali lipat dibandingkan dengan SHCI.

Dalam kasus etilen, NES-VMC dengan tepat menggambarkan persimpangan berbentuk kerucut dari molekul yang terpelintir dan sangat sesuai dengan hasil interaksi konformasi multi-referensi resolusi tinggi (MR-CI). Kami juga mempertimbangkan lima sistem menantang dengan eksitasi ganda rendah, termasuk beberapa molekul berukuran benzena.

Di semua sistem yang memiliki kesepakatan yang baik antara metode energi eksitasi vertikal, Psiformer berada dalam akurasi kimia di seluruh kondisi, termasuk butadiena, di mana urutan kondisi tertentu telah diperdebatkan selama beberapa dekade. Dalam tetrazine dan cyclopentadienon, di mana perhitungan modern yang dilakukan hanya beberapa tahun yang lalu diketahui tidak akurat, hasil NES-VMC sangat cocok dengan perhitungan Monte Carlo difusi modern yang canggih dan teori gangguan orde ketiga ruang aktif lengkap (CASPT3).

Terakhir, kami mempertimbangkan molekul benzena, di mana kombinasi NES-VMC dan metode Psiformer lebih sesuai dengan estimasi teoretis terbaik dibandingkan metode lain, termasuk metode analisis jaringan saraf menggunakan metode penalti. Hal ini secara matematis memvalidasi pendekatan kami dan menunjukkan bahwa jaringan saraf dapat secara akurat mewakili keadaan tereksitasi molekul pada batas metode komputasi saat ini.

kesimpulan

NES-VMC adalah prinsip variasional yang bebas koefisien dan masuk akal secara matematis untuk keadaan tereksitasi. Menggabungkannya dengan solusi jaringan saraf memungkinkan akurasi luar biasa di berbagai masalah benchmark. Pengembangan pendekatan VMC yang akurat terhadap keadaan tereksitasi sistem kuantum membuka banyak kemungkinan dan secara signifikan memperluas jangkauan penerapan fungsi gelombang jaringan saraf.

Meskipun kami hanya mempertimbangkan eksitasi elektronik untuk sistem molekuler dan solusi jaringan saraf, NES-VMC dapat diterapkan pada kuantum Hamiltonian dan solusi apa pun, memungkinkan studi komputasi yang tepat yang dapat meningkatkan pemahaman kita tentang kopling getaran, celah pita fotonik, dan fisika nuklir, dan kesulitan lainnya masalah.