Byl hlášen průlom v kvantové chemii vylepšené strojovým učením

0
Byl hlášen průlom v kvantové chemii vylepšené strojovým učením

Struktura modelu. Neuronová síť zpracovává molekulární geometrii k předpovědi semiempirického kvantového Hamiltoniána, který je pak samostatně řešen, aby se předpovídaly různé chemické vlastnosti. Kredit: Kipton Barros, Los Alamos National Laboratory.

V nové studii publikované v Proceedings of the National Academy of Sciencesvýzkumníci z Los Alamos National Laboratory navrhli začlenit více matematiky kvantové mechaniky do struktury předpovědí strojového učení. Pomocí specifických poloh atomů v molekule model strojového učení předpovídá efektivní hamiltonovskou matici, která popisuje různé možné elektronické stavy spolu s jejich přidruženými energiemi.

Ve srovnání s tradičními kvantová chemie simulace, strojové učenípřístup založený na předpovědích s mnohem nižšími výpočetními náklady. Umožňuje kvantitativně přesné předpovědi týkající se vlastnosti materiáluumožňuje interpretovatelný vhled do povahy chemických vazeb mezi atomy a může být použit k předpovídání dalších složitých jevů, jako je například to, jak bude systém reagovat na poruchy, jako jsou interakce světla a hmoty. Metoda také poskytuje výrazně zlepšenou přesnost ve srovnání s tradičními modely strojového učení a demonstruje úspěch v přenositelnosti, tj. schopnosti modelu vytvářet předpovědi, které jdou daleko za data, která tvořila základ jeho tréninku.

Rovnice kvantové mechaniky poskytují plán k předpovídání vlastností chemikálií vycházející ze základních vědeckých teorií. Tyto rovnice se však mohou rychle stát příliš drahými, pokud jde o počítačový čas a výkon, jsou-li použity k predikci chování ve velkých systémech. Strojové učení nabízí slibný přístup k urychlení takto rozsáhlých simulací. Využití strojového učení k predikci chemické vlastnosti má potenciál pro velký technologický pokrok, s aplikacemi od čistší energie po rychlejší farmaceutický návrh léčiv. Toto je vysoce aktivní oblast výzkumu, ale většina existujících přístupů používá jednoduché a heuristické přístupy k návrhu modelů strojového učení.

Ve své studii vědci prokázali, že modely strojového učení mohou napodobovat základní strukturu základních přírodních zákonů. Tyto zákony může být velmi obtížné přímo simulovat. Přístup strojového učení umožňuje předpovědi, které lze snadno vypočítat a jsou přesné v široké škále chemických systémů.

Vylepšený model strojového učení dokáže rychle a přesně předpovídat širokou škálu vlastností molekul. Tyto přístupy dosahují velmi dobrých výsledků v důležitých měřítcích výpočetní chemie a ukázat, jak se mohou metody hlubokého učení dále zlepšovat začleněním více dat z experimentů. Model může také uspět v náročných úkolech, jako je předpovídání dynamiky excitovaného stavu – jak se systémy chovají se zvýšenými hladinami energie. Tento nástroj je průlomovou schopností pro kvantovou chemii. Umožní výzkumníkům lépe porozumět reaktivitě a excitovaným stavům nových molekul.


Počítače excelují v hodinách chemie


Více informací:
Guoqing Zhou et al, Hluboké učení dynamicky citlivých chemických Hamiltoniánů se semiempirickou kvantovou mechanikou, Proceedings of the National Academy of Sciences (2022). DOI: 10.1073/pnas.2120333119

Citace: Průlom hlášený v kvantové chemii vylepšené strojovým učením (2022, 13. září) získaný 20. září 2022 z https://phys.org/news/2022-09-breakthrough-machine-learning-enhanced-quantum-chemistry.html

Tento dokument podléhá autorským právům. Kromě jakéhokoli poctivého jednání za účelem soukromého studia nebo výzkumu nesmí být žádná část reprodukována bez písemného souhlasu. Obsah je poskytován pouze pro informační účely.

podobné příspěvky

Leave a Reply