AI menyelesaikan masalah fizik kuantum buat kali pertama, DeepMind mengira keadaan teruja kuantum dengan tepat, disenaraikan dalam Sains

Editor |. KX

Sebelum ini, rangkaian neural fermion (FermiNet) yang dibangunkan oleh penyelidik Google DeepMind sangat sesuai untuk memodelkan keadaan tanah kuantum sejumlah besar elektron.

FermiNet pada mulanya memfokuskan pada keadaan dasar molekul. Tetapi apabila molekul dan bahan dirangsang oleh sejumlah besar tenaga, seperti apabila terdedah kepada cahaya atau suhu tinggi, elektron boleh ditendang ke keadaan tenaga yang lebih tinggi - keadaan teruja.

Keadaan teruja adalah penting dalam bidang seperti fizik dan kimia walau bagaimanapun, pengiraan sifat keadaan teruja yang boleh skala, tepat dan mantap daripada prinsip pertama masih menghadapi cabaran teori yang penting.

Kini, penyelidik DeepMind telah membangunkan kaedah baharu untuk mengira keadaan teruja yang lebih berkuasa dan serba boleh berbanding kaedah sebelumnya. Kaedah ini boleh digunakan untuk sebarang jenis model matematik, termasuk FermiNet dan rangkaian saraf lain.

Kaedah yang dicadangkan mencapai pengiraan keadaan teruja yang tepat untuk banyak atom dan molekul, jauh lebih baik daripada kaedah sedia ada untuk menggunakan pembelajaran mendalam untuk mengira sifat keadaan teruja (terutama pada sistem yang lebih besar), dan boleh digunakan Pelbagai sistem kuantum.

David Pfau, pengarang pertama dan pengarang kertas yang sepadan, dengan teruja menerbitkan "Ini adalah kali pertama pembelajaran mendalam telah menyelesaikan dengan tepat beberapa masalah paling sukar dalam fizik kuantum. Kami berharap dapat mengambil langkah baharu ke arah simulasi kuantum universal pembelajaran mendalam."

Penyelidikan berkaitan bertajuk "Pengiraan tepat keadaan teruja kuantum dengan rangkaian saraf" telah diterbitkan padaSains!

Pautan kertas:https://www.science.org/doi/abs/10.1126/science.adn0137

Keadaan teruja molekul

apabila molekul tenaga dalam jumlah besar cth. Terdedah kepada cahaya atau suhu tinggi, elektronnya disepak ke dalam struktur baharu sementara yang dipanggil keadaan teruja.

Jumlah tepat tenaga yang diserap dan dibebaskan oleh molekul semasa ia beralih antara keadaan menghasilkan cap jari yang unik untuk molekul dan bahan yang berbeza. Ini menjejaskan prestasi teknologi daripada panel solar dan LED kepada semikonduktor dan pemangkin foto. Mereka juga memainkan peranan penting dalam proses biologi yang melibatkan cahaya, termasuk fotosintesis dan penglihatan.

Walau bagaimanapun, cap jari jenis ini amat sukar untuk dimodelkan kerana elektron teruja bersifat kuantum, bermakna kedudukan mereka dalam molekul tidak pernah pasti dan hanya boleh diwakili oleh kebarangkalian.

FermiNet boleh menghasilkan tenaga yang sangat tepat, dan dalam sesetengah kes terkini, tenaga keadaan tanah dalam julat atom dan molekul kecil dengan pelbagai sifat pengikatan positron kualitatif.

Walau bagaimanapun, FermiNet pada mulanya memfokuskan kepada keadaan dasar molekul. Tetapi apabila molekul dan bahan dirangsang oleh sejumlah besar tenaga, seperti apabila terdedah kepada cahaya atau suhu tinggi, elektron boleh ditendang ke keadaan tenaga yang lebih tinggi - keadaan teruja.

Mengira tenaga keadaan teruja dengan tepat adalah jauh lebih sukar daripada mengira tenaga keadaan dasar. Malah kaedah piawai emas kimia keadaan tanah, seperti kelompok berganding, menunjukkan ralat berpuluh kali ganda dalam keadaan teruja. Walaupun penyelidik ingin melanjutkan kerja mereka di FermiNet ke keadaan teruja, kaedah sedia ada tidak menunjukkan prestasi yang cukup baik untuk menjadikan rangkaian saraf setanding dengan kaedah terkini.

Kaedah baharu yang lebih berkuasa dan serba boleh untuk pengiraan keadaan teruja

DeepMind mencadangkan algoritma untuk menganggar keadaan teruja sistem kuantum melalui Monte Carlo variasi Algoritma ini tidak mempunyai parameter bebas dan tidak memerlukan pengortogonan keadaan mengubah masalah kepada masalah mencari keadaan asas sistem lanjutan. Pemerhatian sembarangan boleh dikira, termasuk jangkaan luar pepenjuru seperti momen dipol peralihan.

Kaedah ini amat sesuai untuk analisis rangkaian saraf Dengan menggabungkan kaedah ini dengan FermiNet dan Psiformer ansatz, adalah mungkin untuk memulihkan tenaga pengujaan dan kekuatan pengayun bagi satu siri molekul.

Ilustrasi: Tenaga keadaan teruja baris pertama atom daripada litium kepada neon. Keputusan NES-VMC digunakan untuk FermiNet. (Sumber: kertas)

Para penyelidik menggabungkan fleksibiliti rangkaian saraf ansätze dengan wawasan matematik, membolehkan mereka mengubah masalah mencari keadaan teruja sistem kepada masalah mencari keadaan dasar sistem lanjutan, yang kemudiannya boleh diselesaikan menggunakan VMC standard. Kaedah ini dipanggil VMC keadaan teruja semulajadi (NES-VMC).

Kebebasan linear bagi keadaan teruja dikenakan secara automatik melalui bentuk fungsi ansatz. Tenaga bagi setiap keadaan teruja dan pemerhatian lain diperoleh dengan menyerongkan matriks nilai jangkaan Hamiltonian pada ansätze singlet, dan pemerhatian ini boleh dikumpul tanpa kos tambahan.

결정적으로 이 방법에는 조정할 수 있는 자유 매개변수가 없으며 직교화를 강제하는 페널티 항도 없습니다. 연구원들은 FermiNet과 Psiformer라는 두 가지 신경망 아키텍처를 사용하여 이 접근 방식의 정확성을 조사했습니다.

단일 원자에서 벤젠까지

연구원들은 단일 원자에서 벤젠 크기의 분자까지 진행하는 벤치마크 시스템에서 자신의 방법을 테스트했습니다. 첫 번째 행 원자에 대한 NES-VMC의 정확도는 실험 결과에 매우 가까운 것으로 확인되었으며, 일련의 작은 분자에서는 기존의 최고의 이론적 장치 강도와 비교할 수 있는 고정밀 에너지 및 진동이 얻어졌습니다.

그림: 탄소 이량체의 들뜬 상태. (출처: 논문)

탄소 이량체라고 불리는 작고 복잡한 분자에서 4meV의 평균 절대 오차(MAE)를 달성했는데, 이는 이전 금본위제 계산보다 5배 더 정확합니다.

그림: 들뜬 상태와 에틸렌의 원뿔형 교차점. (출처: 논문)

에틸렌의 경우 NES-VMC는 꼬인 분자의 원추형 교차점을 정확하게 설명하며 고정밀 다중 참조 구성 상호 작용(MR-CI) 결과와 높은 일치를 나타냅니다.

그림: 더 큰 이중 여기 시스템의 들뜬 상태. (출처: 논문)

이 연구에서는 다중 벤젠급 분자를 포함하여 저지대 이중 여기가 있는 5가지 까다로운 시스템도 고려했습니다. 모든 방법이 수직 여기 에너지에 대해 잘 일치하는 시스템에서 Psiformer는 부타디엔을 포함하여 여러 주에서 화학적으로 정확하며, 그 중 일부의 순서는 수십 년 동안 논란이 되어 왔습니다.

몇 년 전의 최첨단 계산이 부정확한 것으로 알려진 테트라진 및 사이클로펜타디에논의 경우 NES-VMC 결과는 최근의 정교한 확산 몬테 카를로(DMC) 및 완전 활성 공간 3차 섭동과 일치하지 않습니다. 이론(CASPT3) 계산은 매우 유사합니다.

그림: 벤젠의 들뜬 상태. (출처: 논문)

마지막으로 벤젠 분자도 연구했는데, 여기서 Psiformer ansatz와 결합된 NES-VMC는 페널티 방법을 사용하는 신경망 ansatz를 포함한 다른 방법에 비해 이론적으로 가장 좋은 추정치로 더 나은 결과를 제공했습니다. 이는 제안된 방법의 수학적 정확성을 검증할 뿐만 아니라 신경망이 현재 계산 방법의 한계에서 분자의 여기 상태를 정확하게 나타낼 수 있음을 보여줍니다.

향후 다체 양자역학에 적용하는 방법

NES-VMC는 매개변수가 없고 수학적으로 타당한 들뜬 상태 변화 원리입니다. 이를 신경망 ansätze와 결합하면 광범위한 벤치마크 문제에서 상당한 정확도를 얻을 수 있습니다.

양자 시스템의 들뜬 상태에 대한 정확한 VMC 방법은 많은 가능성을 열어주고 신경망 파동 함수의 적용 범위를 크게 확장합니다.

이 연구에서는 분자 시스템과 신경망 ansatz의 전자 여기만 고려했지만 NES-VMC는 모든 양자 해밀턴 및 모든 ansatz에 적용 가능하므로 과학자의 진동 전자 결합, 광학에 대한 이해를 향상시킬 수 있는 정확한 계산 연구가 가능합니다. 밴드의 이해 격차, 핵 물리학 및 기타 어려운 문제.

연구원들은 "향후 다체 양자역학의 가장 어려운 문제에 NES-VMC와 심층 신경망이 어떻게 적용될지 기대된다"고 말했다.

참고 내용:

https:/ /x.com/pfau/status/1826681648597135464

https://deepmind.google/discover/blog/ferminet-퀀텀-physics-and-chemistry-from-first-principles/

https:// www.imperial .ac.uk/news/255673/ai-tackles-most-difficult-challenges-퀀텀/

Atas ialah kandungan terperinci AI menyelesaikan masalah fizik kuantum buat kali pertama, DeepMind mengira keadaan teruja kuantum dengan tepat, disenaraikan dalam Sains. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!