L’intelligenza artificiale aiuta a risolvere l’equazione di Schrödinger: cosa significa questo per il futuro?
Un modello di intelligenza artificiale ha aiutato a risolvere l’equazione di Schrödinger con grande precisione, il che apre il potenziale per molte applicazioni future
Gli scienziati della Freie Universität Berlin hanno escogitato una soluzione basata sull’intelligenza artificiale per calcolare lo stato fondamentale dell’equazione di Schrödinger in chimica quantistica.
L’equazione di Schrödinger viene utilizzata principalmente per prevedere le proprietà chimiche e fisiche di una molecola in base alla disposizione dei suoi atomi. L’equazione aiuta a determinare dove si trovano gli elettroni e i nuclei di una molecola e in un dato insieme di condizioni quali sono le loro energie.
L’ equazione ha la stessa importanza centrale del moto della legge di Newton, che può prevedere la posizione di un oggetto in un momento particolare, ma nella meccanica quantistica, cioè negli atomi o nelle particelle subatomiche.
L’articolo descrive come la rete neurale sviluppata dagli scienziati della Freie Universität Berlin porta una maggiore precisione nella risoluzione dell’equazione di Schrödinger e cosa significa questo per il futuro.
L’intelligenza artificiale porta più precisione all’equazione
In linea di principio, l’equazione di Schrödinger può essere risolta per prevedere la posizione esatta degli atomi o delle particelle subatomiche in una molecola, ma in pratica, questo è estremamente difficile poiché implica molta approssimazione.
Al centro dell’equazione c’è un oggetto matematico, una funzione d’onda che specifica il comportamento degli elettroni in una molecola. Ma l’elevata dimensionalità della funzione d’onda rende estremamente difficile scoprire come gli elettroni si influenzano a vicenda. Quindi il massimo che ottieni dalle rappresentazioni matematiche è un resoconto probabilistico e non risposte esatte.
Ciò limita l’accuratezza con cui possiamo trovare proprietà di una molecola come la configurazione, la conformazione, le dimensioni e la forma, che possono aiutare a definire la funzione d’onda. Il processo diventa così complesso che diventa impossibile implementare l’equazione al di là di pochi atomi.
Sostituendo i mattoni matematici, gli scienziati della Freie Universität Berlin hanno escogitato una rete neurale profonda in grado di apprendere i complessi schemi di come gli elettroni si trovano attorno ai nuclei.
Gli scienziati hanno sviluppato un modello di reti neurali profonde (DNN) , PauliNet, che presenta diversi vantaggi rispetto ai metodi convenzionali per studiare sistemi quantistici come il Quantum Monte Carlo o altri metodi di chimica quantistica classica.
Il modello DNN sviluppato da questi scienziati è altamente flessibile e consente un approccio variazionale che può aiutare il calcolo accurato delle proprietà elettroniche oltre le energie elettroniche.
In secondo luogo, aiuta anche il facile calcolo di correlazioni a molti corpi e più complesse con meno determinanti, riducendo la necessità di una maggiore potenza di calcolo. Il modello ha principalmente aiutato a risolvere un importante problema di compromesso tra accuratezza e costo computazionale, spesso affrontato durante la risoluzione dell’equazione di Schrodinger.
Il modello può anche calcolare l’energia locale di nuclei pesanti come i metalli pesanti senza utilizzare pseudo-potenziali o approssimazioni.
Infine, il modello sviluppato nello studio ha funzioni anti-simmetria e altri principi cruciali per le funzioni d’onda elettroniche integrate nel modello DNN, piuttosto che lasciare che il modello apprenda. Pertanto, la costruzione della fisica fondamentale nel modello lo ha aiutato a fare previsioni significative e accurate.
L’IA aiuta la scienza
Negli ultimi anni, l’intelligenza artificiale ha contribuito a risolvere molti problemi scientifici che altrimenti sembravano impossibili utilizzando metodi tradizionali.
I 6 migliori algoritmi di intelligenza artificiale nel settore sanitario
L’intelligenza artificiale è diventata fondamentale per anticipare i risultati di esperimenti o simulazioni di sistemi quantistici, soprattutto a causa della natura complessa della sua scienza. Nel 2018, l’apprendimento per rinforzo è stato utilizzato per progettare nuovi esperimenti quantistici in laboratori automatizzati in modo autonomo.
Anche i recenti sforzi dell’Università di Warwick e di un altro IBM e DeepMind hanno cercato di risolvere l’equazione di Schrödinger. Tuttavia, PauliNet, con la sua maggiore accuratezza nel risolvere l’equazione ora, ci offre il potenziale per usarlo in molte applicazioni della vita reale.
Comprendere la composizione delle molecole può aiutare ad accelerare la scoperta di farmaci , che in precedenza era difficile a causa delle approssimazioni per comprenderne le proprietà.
Allo stesso modo, potrebbe anche aiutare a scoprire molti altri elementi o metamateriali come nuovi catalizzatori, applicazioni chimiche industriali, nuovi pesticidi, tra gli altri. Può essere utilizzato nella caratterizzazione di molecole sintetizzate in laboratorio.
Diversi software accademici e commerciali utilizzano l’equazione di Schrödinger al centro, ma sono basati su applicazioni. La precisione di questo software migliorerà. L’informatica quantistica di per sé si basa su fenomeni quantistici di sovrapposizione ed è costituita da qubit che sfruttano il principio. Le prestazioni del quantum computing miglioreranno poiché i qubit potranno essere misurati più velocemente.
Riassumendo
Sebbene l’attuale studio abbia elaborato una soluzione più rapida, economica e accurata, ci sono molte sfide da superare prima che sia pronto per il settore.
Tuttavia, una volta pronto, il mondo sarà testimone di molte applicazioni come risultato di una maggiore precisione nella risoluzione dell’equazione di Schrödinger.
