KI modelliert komplexe molekulare Situationen genau

Zusammenfassung: Forscher haben eine vom Gehirn inspirierte Technologie der künstlichen Intelligenz entwickelt, die neuronale Netze nutzt, um schwierige Quantenzustände von Molekülen zu modellieren, was für Technologien wie Solarpaneele und Photokatalysatoren von entscheidender Bedeutung ist.

Dieser neue Ansatz verbessert die Genauigkeit erheblich und ermöglicht eine bessere Vorhersage des molekularen Verhaltens während Energieübergängen. Durch die Verbesserung unseres Verständnisses angeregter molekularer Zustände könnte diese Forschung die Herstellung von Materialprototypen und die chemische Synthese revolutionieren.

Wichtige Fakten:

• Neuronale Netze haben molekulare angeregte Zustände mit beispielloser Genauigkeit modelliert.
• Bei komplexen Molekülen wurde eine fünfmal höhere Genauigkeit als bei bisherigen Methoden erreicht.
• Es kann zu Computersimulationen von Materialien und chemischen Modellen führen.

Quelle: Imperial College London

Neue Forschungen unter Verwendung neuronaler Netze, einer vom Gehirn inspirierten Form künstlicher Intelligenz, schlagen eine Lösung für die schwierige Herausforderung der Modellierung der Zustände von Molekülen vor.

Die Forschung zeigt, wie diese Technik zur Lösung grundlegender Gleichungen in komplexen molekularen Systemen beitragen kann.

Dies könnte in Zukunft zu praktischen Anwendungen führen und Forschern helfen, mithilfe von Computersimulationen Prototypen neuer Materialien und chemischer Kombinationen zu erstellen, bevor sie versuchen, sie im Labor herzustellen.

Unter der Leitung von Wissenschaftlern des Imperial College London und Google DeepMind wurde die Studie heute veröffentlicht Wissenschaften.

Angeregte Teilchen

Das Team untersuchte das Problem, zu verstehen, wie sich Moleküle in und aus „angeregten Zuständen“ bewegen. Wenn Moleküle und Materialien durch große Energiemengen angeregt werden, beispielsweise durch Einwirkung von Licht oder hohen Temperaturen, können sich die darin enthaltenen Elektronen in eine vorübergehende neue Konfiguration, einen sogenannten angeregten Zustand, bewegen.

Die genaue Energiemenge, die beim Übergang von Molekülen zwischen Zuständen absorbiert und freigesetzt wird, erzeugt einen einzigartigen Fingerabdruck für verschiedene Moleküle und Materialien. Dies wirkt sich auf die Leistung von Technologien aus, die von Solarmodulen und LEDs bis hin zu Halbleitern und Fotokatalysatoren reichen. Sie spielen auch eine entscheidende Rolle bei biologischen Prozessen, an denen Licht beteiligt ist, einschließlich Photosynthese und Sehvermögen.

Es ist jedoch sehr schwierig, diesen Fingerabdruck zu modellieren, da die angeregten Elektronen Quantennatur haben, was bedeutet, dass ihre Positionen innerhalb von Molekülen niemals sicher sind und nur als Wahrscheinlichkeiten ausgedrückt werden können.

Der leitende Forscher Dr. David Faw von Google DeepMind und der Fakultät für Physik am Imperial College sagte: „Es ist sehr schwierig, den Zustand eines Quantensystems darzustellen. Jeder möglichen Konfiguration von Elektronenpositionen muss eine Wahrscheinlichkeit zugewiesen werden.“

„Der Raum aller möglichen Konfigurationen ist riesig – wenn man versuchen würde, ihn als Gitter mit 100 Punkten entlang jeder Dimension darzustellen, wäre die Anzahl der möglichen elektronischen Konfigurationen für ein Siliziumatom größer als die Anzahl der Atome im Universum.“ Genau hier dachten wir, tiefe neuronale Netze könnten helfen.“

Neuronale Netze

Die Forscher entwickelten einen neuen mathematischen Ansatz und verwendeten ihn mit einem neuronalen Netzwerk namens FermiNet. Dies war das erste Beispiel, bei dem Deep Learning verwendet wurde, um die Energie von Atomen und Molekülen anhand grundlegender Prinzipien zu berechnen, die präzise genug waren, um nützlich zu sein.

Das Team testete seinen Ansatz anhand einer Reihe von Beispielen und die Ergebnisse waren vielversprechend. In einem kleinen, aber komplexen Molekül namens Zweikohlenstoff konnten sie einen durchschnittlichen absoluten Fehler von 4 MeV (Millielektronenvolt – ein kleines Maß für Energie) erreichen, was fast fünfmal größer ist als die experimentellen Ergebnisse im Vergleich zu früheren Standardmethoden von 20 MeV.

Dr. Faw sagte: „Wir haben unsere Methode an einigen der anspruchsvollsten Systeme der Computerchemie getestet, bei denen zwei Elektronen gleichzeitig angeregt werden, und festgestellt, dass wir von den bislang komplexesten und anspruchsvollsten Berechnungen nur etwa 0,1 MeV entfernt waren.“

„Heute stellen wir unsere neueste Arbeit als Open Source zur Verfügung und hoffen, dass die Forschungsgemeinschaft auf unseren Methoden aufbaut, um die unerwarteten Arten der Wechselwirkung von Materie mit Licht zu erforschen.“

Über Neuigkeiten aus der Forschung zu künstlicher Intelligenz

Autor: Hayley Dunning
Quelle: Imperial College London
Kommunikation: Hayley Dunning – Imperial College London
Bild: Bild entnommen aus Neuroscience News

Ursprüngliche Suche: Der Zugang ist geschlossen.
„Genaue Berechnung quantenangeregter Zustände mithilfe neuronaler Netze„Von David Faw et al.“ Wissenschaften

eine Zusammenfassung

Genaue Berechnung quantenangeregter Zustände mithilfe neuronaler Netze

Einführung

Um die physikalischen Wechselwirkungen von Materie mit Licht zu verstehen, ist eine präzise Modellierung der elektronisch angeregten Zustände von Quantensystemen erforderlich. Dies bildet die Grundlage für das Verhalten von Photokatalysatoren, Fluoreszenzfarbstoffen, Quantenpunkten, Leuchtdioden (LEDs), Lasern, Solarzellen und vielem mehr.

Aktuelle quantenchemische Methoden für angeregte Zustände sind möglicherweise viel ungenauer als die für Grundzustände, manchmal qualitativ ungenau oder erfordern möglicherweise Vorkenntnisse für bestimmte Zustände. Neuronale Netze haben in Kombination mit Variations-Monte-Carlo (VMC) eine bemerkenswerte Genauigkeit der Grundzustandswellenfunktionen für eine Reihe von Systemen erreicht, darunter Spinmodelle, Moleküle und Systeme kondensierter Materie.

Obwohl VMC zur Untersuchung angeregter Zustände verwendet wurde, weisen frühere Methoden Einschränkungen auf, die die Verwendung mit neuronalen Netzen erschweren oder unmöglich machen und häufig viele freie Parameter enthalten, die angepasst werden müssen, um gute Ergebnisse zu erzielen.

Begründung

Wir kombinieren die Flexibilität neuronaler Netzwerklösungen mit mathematischen Erkenntnissen, die es uns ermöglichen, das Problem der Suche nach angeregten Zuständen eines Systems in das Problem der Suche nach dem Grundzustand eines erweiterten Systems umzuwandeln, das dann mit Standard-VMC gelöst werden kann. Wir nennen diesen Ansatz VMC für normal angeregte Zustände (NES-VMC).

Die lineare Unabhängigkeit der spontan angeregten Zustände wird durch die funktionale Form des Zustands vorgegeben. Die Energie und andere Potentiale jedes angeregten Zustands werden durch Transformation der Matrix der Hamilton-Projektionswerte für den einzelnen Zustand erhalten, die ohne zusätzliche Kosten akkumuliert werden können.

Entscheidend hierbei ist, dass dieser Ansatz keine freien Parameter zum Anpassen hat und keine Strafbedingungen zur Durchsetzung der Orthostase erfordert. Wir haben die Genauigkeit dieses Ansatzes anhand zweier unterschiedlicher neuronaler Netzwerkarchitekturen untersucht – FermiNet und Psiformer.

Ergebnisse

Wir haben unseren Ansatz an Referenzsystemen demonstriert, die von einzelnen Atomen bis hin zu benzingroßen Molekülen reichen. Wir haben die Genauigkeit von NES-VMC an Atomen der ersten Reihe demonstriert, die den experimentellen Ergebnissen sehr gut entsprachen, und an einer Reihe kleiner Moleküle und dabei sehr präzise Energien und Oszillatorstärken erhalten, die mit den besten vorhandenen theoretischen Schätzungen vergleichbar sind.

Wir haben die Potentialenergiekurven für die niedrigsten angeregten Zustände im Zweikohlenstoff berechnet und die Zustände über die Bindungslängen hinweg identifiziert, indem wir ihre Symmetrien und Rotationen analysiert haben. Die vertikalen Anregungsenergien des NES-VMC stimmten mit denen überein, die mit der Methode der hochauflösenden halbzufälligen Thermalbadbildungsreaktion (SHCI) mit chemischer Auflösung für alle Bindungslängen erhalten wurden, während die adiabatischen Anregungen im Durchschnitt innerhalb von 4 MeV der experimentellen Werte lagen. ​- Dies ist eine vierfache Verbesserung im Vergleich zu SHCI.

Im Fall von Ethylen beschrieb NES-VMC die konische Verbindung des verdrillten Moleküls korrekt und stimmte hervorragend mit den Ergebnissen der hochauflösenden Multireferenz-Konformationswechselwirkung (MR-CI) überein. Wir haben auch fünf anspruchsvolle Systeme mit Doppelanregungen geringer Höhe berücksichtigt, darunter mehrere Moleküle in Benzolgröße.

In allen Systemen, in denen eine gute Übereinstimmung zwischen den Methoden hinsichtlich der vertikalen Anregungsenergien besteht, lag Psiformer in allen Zuständen innerhalb der chemischen Genauigkeit, einschließlich Butadien, wo die Reihenfolge bestimmter Zustände seit vielen Jahrzehnten umstritten ist. Bei Tetrazin und Cyclopentadion, bei denen moderne Berechnungen, die erst vor wenigen Jahren durchgeführt wurden, bekanntermaßen ungenau waren, stimmten die NES-VMC-Ergebnisse gut mit modernen anspruchsvollen Diffusions-Monte-Carlo-Berechnungen und der vollständigen Theorie der Störung dritter Ordnung im aktiven Raum (CASPT3) überein.

Schließlich betrachteten wir das Benzolmolekül, bei dem die Kombination von NES-VMC und der Psiformer-Methode besser mit den besten theoretischen Schätzungen übereinstimmte als andere Methoden, einschließlich neuronaler Netzwerkanalysemethoden unter Verwendung von Penalty-Methoden. Dies bestätigt unseren Ansatz mathematisch und zeigt, dass neuronale Netze die angeregten Zustände von Molekülen am aktuellen Limit der Rechenmethoden genau darstellen können.

Abschluss

Das NES-VMC ist ein parameterfreies und mathematisch fundiertes Variationsprinzip für angeregte Zustände. Die Kombination mit neuronalen Netzwerklösungen ermöglicht eine bemerkenswerte Genauigkeit bei einem breiten Spektrum von Benchmark-Problemen. Die Entwicklung eines genauen VMC-Ansatzes für angeregte Zustände von Quantensystemen eröffnet viele Möglichkeiten und erweitert den Anwendungsbereich neuronaler Netzwerkwellenfunktionen erheblich.

Obwohl wir nur elektronische Anregungen für molekulare Systeme und neuronale Netzwerklösungen betrachtet haben, ist NES-VMC auf jeden Quanten-Hamiltonianer und jede Lösung anwendbar und ermöglicht präzise rechnerische Studien, die unser Verständnis von Schwingungskopplungen, photonischen Bandlücken und anderen schwierigen Bedingungen verbessern können Probleme.