Die branchenweit erste Wellenfunktion eines neuronalen Netzwerks, die für feste Systeme geeignet ist, wurde in der Unterzeitschrift „Nature' veröffentlicht

​Maschinelles Lernen kann riesige Datenmengen verarbeiten, wissenschaftliche Probleme in komplexen Szenarien lösen und wissenschaftliche Erkundungen in neue Bereiche führen, die bisher unerreichbar waren. DeepMind nutzt beispielsweise die künstliche Intelligenz-Software AlphaFold, um hochpräzise Vorhersagen über fast alle der wissenschaftlichen Gemeinschaft bekannten Proteinstrukturen zu treffen. Die von Christian Lagemann vorgeschlagene Methode der Partikelbild-Velocimetrie (PIV) hat die ursprüngliche rein manuelle Einstellung erheblich verbessert Der Anwendungsbereich des Modells ist für die Forschung in vielen Bereichen wie Automobil, Luft- und Raumfahrt und biomedizinischer Technik von entscheidender Bedeutung.

AlphaFold kann die Struktur fast aller bekannten Proteine ​​vorhersagen (Quelle: DeepMind)

Es gibt genügend Daten und ein genaues Modell, um die zu lösenden wissenschaftlichen Probleme zu beschreiben, viele Grundlagenwissenschaften“ „Ein Jahrhundert „Altes Rätsel“ können alle durch maschinelles Lernen gelöst werden. Wie Strömungsmechanik, Physik der kondensierten Materie, organische Chemie usw.

Kürzlich lieferte die Arbeit „Ab-initio-Berechnung realer Feststoffe über neuronalen Netzwerkansatz“ des ByteDance AI Lab Research-Teams und der Forschungsgruppe von Chen Ji an der School of Physics der Peking-Universität eine neue Idee für das Studium der Physik der kondensierten Materie. Die vorgeschlagene Arbeit entwickelte die branchenweit erste Wellenfunktion eines neuronalen Netzwerks, die für Festkörpersysteme geeignet ist, realisierte Ab-initio-Berechnungen von Festkörpern und brachte die Berechnungsergebnisse an die thermodynamische Grenze. Dies ist ein starker Beweis dafür, dass neuronale Netze effiziente Werkzeuge für das Studium der Festkörperphysik sind, und weist auch darauf hin, dass Deep-Learning-Technologie eine immer wichtigere Rolle in der Physik der kondensierten Materie spielen wird. Relevante Forschungsergebnisse wurden am 22. Dezember 2022 in der internationalen Top-Zeitschrift Nature Communication veröffentlicht.

Link zum Papier: https://www.nature.com/articles/s41467-022-35627-1

Forschungshintergrund und Forschungsmethoden

Die Schrödinger-Gleichung für feste Systeme ist genau gelöst Einer der heiligen Grale der Physik der kondensierten Materie. In der Forschung zu kondensierter Materie wurde in den letzten Jahrzehnten die Dichtefunktionaltheorie weithin und mit großem Erfolg übernommen.

Dichtefunktionaltheorie: Eine quantenmechanische Methode, die die elektronische Struktur von Mehrelektronensystemen untersucht.

Trotzdem weist die Dichtefunktionaltheorie immer noch viele Mängel auf: Für komplexe, stark korrelierte Systeme kann die Dichtefunktionaltheorie keine genaue Beschreibung liefern; es fehlt ihr auch an einer systematischen Auswahl von Funktionalen, um ihre Genauigkeit zu verbessern. In den letzten Jahren haben im Vergleich zur Dichtefunktionaltheorie genauere und universellere Wellenfunktionsmethoden immer mehr Aufmerksamkeit und Forschung erhalten.

Angesichts dieser Situation haben das ByteDance AI Lab Research-Team und die Forschungsgruppe von Chen Ji an der School of Physics der Universität Peking eine periodische neuronale Netzwerkwellenfunktion entwickelt, die für feste Systeme geeignet ist, und sie mit der Quanten-Monte-Carlo-Methode kombiniert um First-Prinzipien-Berechnungen für feste Systeme durchzuführen. In dieser Arbeit wurde die Deep-Learning-Technologie erstmals auf die Untersuchung fester Systeme im kontinuierlichen Raum angewendet und die Berechnung an die thermodynamische Grenze gebracht.

Der Kern dieser Arbeit besteht darin, den periodischen verallgemeinerten Systemeigenvektor mit der vorhandenen Wellenfunktion des molekularen neuronalen Netzwerks zu kombinieren, um eine solide Systemwellenfunktion mit periodischer Symmetrie und vollständiger Antisymmetrie zu konstruieren. Anschließend wandte die Arbeit Quanten-Monte-Carlo-Methoden an, um neuronale Netze effizient zu trainieren, und testete sie an einer Reihe realer Festkörper.

Experimentelle Ergebnisse und Analyse

Zuerst testete der Autor eine periodische eindimensionale Wasserstoffkette. Die eindimensionale Wasserstoffkette ist eines der klassischsten Systeme in kondensierter Materie, und ihre genaue Lösung hilft Menschen, die Eigenschaften stark korrelierter Systeme zu verstehen. Die Berechnungsergebnisse zeigen, dass das neuronale Netzwerk eine ähnliche Genauigkeit wie herkömmliche Hochpräzisionsmethoden (wie Hilfsfeld-Monte-Carlo) erreichen kann.

Dann verwendete der Autor neuronale Netze, um das zweidimensionale Graphenmaterial zu berechnen. Graphen war in den letzten zwei Jahrzehnten ein heißes Forschungsmaterial. Seine einzigartigen Eigenschaften in Bezug auf Wärmeleitfähigkeit, elektrische Leitfähigkeit und andere Aspekte haben einen wichtigen Forschungs- und Anwendungswert. Diese Arbeit berechnete die Kohäsionsenergie von Graphen genau und die Berechnungsergebnisse stimmten mit den experimentellen Daten überein.

Um die Wirksamkeit der Arbeit weiter zu überprüfen, berechnete der Autor das dreidimensionale Lithium-Wasserstoff-Material und trieb den Berechnungsmaßstab an die thermodynamische Grenze. Der maximale Berechnungsmaßstab erreichte 108 Elektronen, was neuronale Netze betrifft konnten bisher maximal solide Systeme simulieren. Die berechnete Kohäsionsenergie und der Kompressionsmodul des Materials stimmen mit den experimentellen Ergebnissen überein.

Abschließend untersucht der Autor das theoretisch interessantere einheitliche Elektronengassystem. Das System des einheitlichen Elektronengases steht in engem Zusammenhang mit vielen neuartigen physikalischen Effekten (wie dem Quanten-Hall-Effekt), sodass ein tiefgreifendes Verständnis des einheitlichen Elektronengases einen wichtigen theoretischen Wert hat. Die Berechnungsergebnisse zeigen, dass das neuronale Netzwerk bei gleichmäßigem Elektronengas gute Ergebnisse erzielt und sich den Ergebnissen vieler traditioneller hochpräziser Methoden annähert oder diese sogar übertrifft.

Diese Arbeit beweist deutlich, dass neuronale Netze effiziente Werkzeuge für das Studium der Festkörperphysik sind. Mit der weiteren Verbesserung des Algorithmus wird die neuronale Netzwerktechnologie eine wichtigere Rolle in der Physik der kondensierten Materie spielen: beispielsweise bei Phasenänderungen fester Systeme, Oberflächenphysik, unkonventionellen Supraleitern usw. Die Forschung zu diesen Themen erfordert als Grundlage hochpräzise Festkörperwellenfunktionen. Gleichzeitig arbeitet der Autor auch an der Erforschung effizienterer neuronaler Netzwerkwellenfunktionen, um mehr Möglichkeiten für das Studium der Physik der kondensierten Materie zu schaffen.

Das obige ist der detaillierte Inhalt vonDie branchenweit erste Wellenfunktion eines neuronalen Netzwerks, die für feste Systeme geeignet ist, wurde in der Unterzeitschrift „Nature' veröffentlicht. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!