Artificial Intelligence Solves Schrödinger’s Equation, a Fundamental Problem in Quantum Chemistry
طور فريق من العلماء في Freie Universität Berlin طريقة ذكاء اصطناعي (AI) لحساب الحالة الأساسية لمعادلة شرودنجر في كيمياء الكم. الهدف من كيمياء الكم هو التنبؤ بالخصائص الكيميائية والفيزيائية للجزيئات بناءً على ترتيب ذراتها في الفضاء فقط، وتجنب الحاجة إلى تجارب معملية كثيفة الاستخدام للموارد وتستغرق وقتًا طويلاً. من حيث المبدأ، يمكن تحقيق ذلك من خلال حل معادلة شرودنجر، ولكن من الناحية العملية، هذا صعب للغاية.
حتى الآن، كان من المستحيل إيجاد حل دقيق للجزيئات العشوائية التي يمكن حسابها بكفاءة. لكن الفريق في Freie Universität طور طريقة تعلم عميق يمكنها تحقيق مزيج غير مسبوق من الدقة والكفاءة الحسابية. لقد حول الذكاء الاصطناعي العديد من المجالات التكنولوجية والعلمية، من رؤية الكمبيوتر إلى علم المواد. يقول البروفيسور Frank Noé، الذي قاد جهود الفريق: "نعتقد أن نهجنا قد يؤثر بشكل كبير على مستقبل كيمياء الكم". نُشرت النتائج في مجلة Nature Chemistry ذات السمعة الطيبة.
تعتبر دالة الموجة مركزًا لكل من كيمياء الكم ومعادلة شرودنجر- وهي كائن رياضي يحدد تمامًا سلوك الإلكترونات في الجزيء. تعتبر وظيفة الموجة كيانًا عالي الأبعاد، وبالتالي من الصعب للغاية التقاط جميع الفروق الدقيقة التي تشفر كيفية تأثير الإلكترونات الفردية على بعضها البعض. في الواقع، تتخلى العديد من طرق كيمياء الكم عن التعبير عن وظيفة الموجة تمامًا، وبدلاً من ذلك تحاول فقط تحديد طاقة جزيء معين. ومع ذلك، يتطلب ذلك إجراء تقديرات تقريبية، مما يحد من جودة التنبؤ لمثل هذه الأساليب.
تمثل الطرق الأخرى الدالة الموجية باستخدام عدد هائل من لبنات البناء الرياضية البسيطة، لكن مثل هذه الأساليب معقدة للغاية بحيث يستحيل تطبيقها لأكثر من مجرد حفنة من الذرات. يوضح الدكتور Jan Hermann من Freie Universität Berlin، الذي صمم السمات الرئيسية للطريقة في الدراسة: "إن الهروب من المقايضة المعتادة بين الدقة والتكلفة الحسابية هو أعلى إنجاز في كيمياء الكم". "حتى الآن، الأكثر شيوعًا هي النظرية الوظيفية للكثافة الفعالة للغاية من حيث التكلفة. نعتقد أن "كوانتوم مونت كارلو" العميق، النهج الذي نقترحه، يمكن أن يكون على قدم المساواة، إن لم يكن أكثر نجاحًا. إنه يوفر دقة غير مسبوقة بتكلفة حسابية مقبولة ".
الشبكة العصبية العميقة التي صممها فريق البروفيسور Noé هي طريقة جديدة لتمثيل الوظائف الموجية للإلكترونات. يوضح Noé: "بدلاً من النهج القياسي لتكوين الدالة الموجية من مكونات رياضية بسيطة نسبيًا، صممنا شبكة عصبية اصطناعية قادرة على تعلم الأنماط المعقدة لكيفية تواجد الإلكترونات حول النوى". "إحدى السمات المميزة لوظائف الموجة الإلكترونية هي عدم تناسقها. عندما يتم تبادل إلكترونين، يجب أن تغير الدالة الموجية علامتها. كان علينا بناء هذه الخاصية في بنية الشبكة العصبية لنهج العمل"، يضيف Hermann. هذه الميزة ، المعروفة باسم "Pauli’s exclusion principle"، هي السبب في أن المؤلفين أطلقوا على طريقتهم اسم "PauliNet".
إلى جانب مبدأ استبعاد باولي Pauli’s exclusion principle، فإن وظائف الموجة الإلكترونية لها أيضًا خصائص فيزيائية أساسية أخرى، والكثير من النجاح المبتكر لشبكة PauliNet هو أنها تدمج هذه الخصائص في الشبكة العصبية العميقة، بدلاً من السماح للتعلم العميق بالتعرف عليها من خلال مراقبة البيانات فقط. يقول Noé: "إن بناء الفيزياء الأساسية في الذكاء الاصطناعي أمر ضروري لقدرته على عمل تنبؤات ذات مغزى في هذا المجال". "هذا هو حقًا المكان الذي يمكن للعلماء تقديم مساهمة كبيرة في الذكاء الاصطناعي، وهذا بالضبط ما تركز عليه مجموعتي".
لا يزال هناك العديد من التحديات التي يجب التغلب عليها قبل أن تصبح طريقة Hermann وNoé جاهزة للتطبيق الصناعي. يتفق المؤلفون على أن "هذا لا يزال بحثًا أساسيًا، ولكنه نهج جديد لمشكلة قديمة في العلوم الجزيئية والمادية، ونحن متحمسون للإمكانيات التي يفتحها".
حتى الآن، كان من المستحيل إيجاد حل دقيق للجزيئات العشوائية التي يمكن حسابها بكفاءة. لكن الفريق في Freie Universität طور طريقة تعلم عميق يمكنها تحقيق مزيج غير مسبوق من الدقة والكفاءة الحسابية. لقد حول الذكاء الاصطناعي العديد من المجالات التكنولوجية والعلمية، من رؤية الكمبيوتر إلى علم المواد. يقول البروفيسور Frank Noé، الذي قاد جهود الفريق: "نعتقد أن نهجنا قد يؤثر بشكل كبير على مستقبل كيمياء الكم". نُشرت النتائج في مجلة Nature Chemistry ذات السمعة الطيبة.
تعتبر دالة الموجة مركزًا لكل من كيمياء الكم ومعادلة شرودنجر- وهي كائن رياضي يحدد تمامًا سلوك الإلكترونات في الجزيء. تعتبر وظيفة الموجة كيانًا عالي الأبعاد، وبالتالي من الصعب للغاية التقاط جميع الفروق الدقيقة التي تشفر كيفية تأثير الإلكترونات الفردية على بعضها البعض. في الواقع، تتخلى العديد من طرق كيمياء الكم عن التعبير عن وظيفة الموجة تمامًا، وبدلاً من ذلك تحاول فقط تحديد طاقة جزيء معين. ومع ذلك، يتطلب ذلك إجراء تقديرات تقريبية، مما يحد من جودة التنبؤ لمثل هذه الأساليب.
تمثل الطرق الأخرى الدالة الموجية باستخدام عدد هائل من لبنات البناء الرياضية البسيطة، لكن مثل هذه الأساليب معقدة للغاية بحيث يستحيل تطبيقها لأكثر من مجرد حفنة من الذرات. يوضح الدكتور Jan Hermann من Freie Universität Berlin، الذي صمم السمات الرئيسية للطريقة في الدراسة: "إن الهروب من المقايضة المعتادة بين الدقة والتكلفة الحسابية هو أعلى إنجاز في كيمياء الكم". "حتى الآن، الأكثر شيوعًا هي النظرية الوظيفية للكثافة الفعالة للغاية من حيث التكلفة. نعتقد أن "كوانتوم مونت كارلو" العميق، النهج الذي نقترحه، يمكن أن يكون على قدم المساواة، إن لم يكن أكثر نجاحًا. إنه يوفر دقة غير مسبوقة بتكلفة حسابية مقبولة ".
الشبكة العصبية العميقة التي صممها فريق البروفيسور Noé هي طريقة جديدة لتمثيل الوظائف الموجية للإلكترونات. يوضح Noé: "بدلاً من النهج القياسي لتكوين الدالة الموجية من مكونات رياضية بسيطة نسبيًا، صممنا شبكة عصبية اصطناعية قادرة على تعلم الأنماط المعقدة لكيفية تواجد الإلكترونات حول النوى". "إحدى السمات المميزة لوظائف الموجة الإلكترونية هي عدم تناسقها. عندما يتم تبادل إلكترونين، يجب أن تغير الدالة الموجية علامتها. كان علينا بناء هذه الخاصية في بنية الشبكة العصبية لنهج العمل"، يضيف Hermann. هذه الميزة ، المعروفة باسم "Pauli’s exclusion principle"، هي السبب في أن المؤلفين أطلقوا على طريقتهم اسم "PauliNet".
إلى جانب مبدأ استبعاد باولي Pauli’s exclusion principle، فإن وظائف الموجة الإلكترونية لها أيضًا خصائص فيزيائية أساسية أخرى، والكثير من النجاح المبتكر لشبكة PauliNet هو أنها تدمج هذه الخصائص في الشبكة العصبية العميقة، بدلاً من السماح للتعلم العميق بالتعرف عليها من خلال مراقبة البيانات فقط. يقول Noé: "إن بناء الفيزياء الأساسية في الذكاء الاصطناعي أمر ضروري لقدرته على عمل تنبؤات ذات مغزى في هذا المجال". "هذا هو حقًا المكان الذي يمكن للعلماء تقديم مساهمة كبيرة في الذكاء الاصطناعي، وهذا بالضبط ما تركز عليه مجموعتي".
لا يزال هناك العديد من التحديات التي يجب التغلب عليها قبل أن تصبح طريقة Hermann وNoé جاهزة للتطبيق الصناعي. يتفق المؤلفون على أن "هذا لا يزال بحثًا أساسيًا، ولكنه نهج جديد لمشكلة قديمة في العلوم الجزيئية والمادية، ونحن متحمسون للإمكانيات التي يفتحها".
Reference: "Deep-neural-network solution of the electronic Schrödinger
equation" by Jan Hermann, Zeno Schätzle and Frank Noé, 23 September
2020, Nature Chemistry.
