هوش مصنوعی، معادله شرودینگر را حل کرد

گروه علمی: محققان دانشگاه آزاد برلین موفق به توسعه یک هوش مصنوعی یادگیری عمیق شده‌اند که به شکل رسمی توانسته است معادله شرودینگر را حل کند. این پیشرفت بنیادی، از علم مواد گرفته تا بینش رایانه‌ای پتانسیل بسیار زیادی دارد.به گزارش ایسنا، بر اساس مطالعه اخیر منتشر شده در مجله Nature Chemistry، گروهی از دانشمندان ابزاری برای محاسبه وضعیت اساسی معادله...

گروه علمی: محققان دانشگاه آزاد برلین موفق به توسعه یک هوش مصنوعی یادگیری عمیق شده‌اند که به شکل رسمی توانسته است معادله شرودینگر را حل کند. این پیشرفت بنیادی، از علم مواد گرفته تا بینش رایانه‌ای پتانسیل بسیار زیادی دارد.به گزارش ایسنا، بر اساس مطالعه اخیر منتشر شده در مجله Nature Chemistry، گروهی از دانشمندان ابزاری برای محاسبه وضعیت اساسی معادله شرودینگر در شیمی کوانتوم با هوش مصنوعی ایجاد کردند.محققان می‌گویند کاربردهای بالقوه این موفقیت اساسی در شیمی کوانتوم بسیار زیاد است.معادله شرودینگر(Schrodinger equation) معادله‌ای است که چگونگی تغییر حالت کوانتومی یک سامانه فیزیکی با زمان را توصیف می‌کند. این معادله در اواخر سال ۱۹۲۵ فرمول بندی شد و در سال ۱۹۲۶ توسط فیزیکدان اتریشی اِروین شرودینگر منتشر شد.هدف از شیمی کوانتومی پیش‌بینی خواص شیمیایی و فیزیکی مولکول‌ها با استفاده از آرایش اتم‌های آنها در فضای سه‌بعدی است. این کار نیاز به آزمایش‌های آزمایشگاهی فشرده و زمان بر را برطرف می‌کند. از نظر تئوری، این کار را می توان از طریق حل معادله شرودینگر انجام داد، اما اجرای آن در عمل همیشه به شکل غیرقابل توصیفی دشوار بوده است.اکنون در مطالعه‌ای که توسط دانشمندان دانشگاه آزاد برلین انجام شده است، دانشمندان یک روش یادگیری عمیق ایجاد کردند که قادر به دستیابی به ترکیبی بی‌سابقه از کارآیی و دقت محاسباتی است. این کار به لطف هوش مصنوعی، از علوم مواد گرفته تا بینش رایانه‌ای، تحول‌های زیادی در زمینه‌های مختلف فناوری و علم به وجود خواهد آورد. پروفسور فرانک نوئه سرپرست این گروه تحقیقاتی گفت: ما معتقدیم که رویکرد ما ممکن است به طور قابل توجهی بر آینده شیمی کوانتومی تأثیر بگذارد. تابع موج -جسمی در ریاضیات با توانایی تعیین رفتار جامع الکترون‌ها در یک مولکول-برای شیمی کوانتوم و معادله شرودینگر بسیار مهم است. این تابع، یک موجودیت با ابعاد بالا است، بنابراین دریافت تفاوت‌های چگونگی تاثیر الکترون‌های خاص بر روی یکدیگر بسیار دشوار است.روش‌های متعددی از شیمی کوانتوم به جای اینکه عملکرد تابع موج را مشخص کنند، فقط می‌توانند انرژی یک مولکول خاص را بدست آورند. اما این کار نیاز به تقریب‌هایی دارد که کیفیت پیش‌بینی‌ها را محدود می‌کند.روش‌های دیگری نیز وجود دارند که قادر به نمایش تابع موج هستند -با استفاده از تعداد بسیار زیادی بلوک ساختاری ساده ریاضی- اما این روش‌ها آنقدر پیچیده هستند که محاسبه تابع موج برای بیش از تعداد انگشت شماری از اتم‌ها را غیرممکن می‌کنند. یان هرمان از دانشگاه آزاد برلین که خصوصیات مهم روش جدید در این مطالعه را طراحی کرده است، گفت: فرار از معامله معمول بین دقت و هزینه محاسباتی، بالاترین دستاورد در شیمی کوانتوم است.دانشمندان دانشگاه آزاد برلین یک شبکه عصبی عمیق را برای نشان دادن توابع موج الکترون‌ها طراحی کرده‌اند که یک روش کاملا جدید است. نوئه توضیح داد: ما به جای رویکرد استاندارد برای تشکیل تابع موج از اجزای نسبتاً ساده ریاضی، یک شبکه عصبی مصنوعی طراحی کردیم که قادر به یادگیری الگوهای پیچیده نحوه قرارگیری الکترون‌ها در اطراف هسته‌ها است. هرمان افزود: یکی از ویژگی‌های خاص توابع موج الکترونی، عدم تقارن آنهاست. وقتی دو الکترون رد و بدل می‌شوند، تابع موج باید علامت خود را تغییر دهد. ما مجبور شدیم این ویژگی را در ساختار شبکه عصبی ایجاد کنیم تا کار کند.این ویژگی که اصل طرد پائولی نامیده می‌شود، باعث شد نویسندگان این تحقیق، روش خود را PauliNet نامگذاری کنند.قاعده پائولی یا قاعده غیر امکان یا اصل طرد پاولی(Pauli exclusion principle) اصلی در مکانیک کوانتومی است که ولفگانگ پائولی فیزیک‌دان اتریشی/سوئیسی در سال ۱۹۲۵ بیان کرد.اصل طرد پائولی بیان می‌کند که هیچ دو الکترونی ، یا به طور کلی هیچ دو فرمیون مشابهی نمی‌توانند حالت کوانتومی یکسانی داشته باشند(مثلا به طور همزمان در یک مکان باشند). این اصل برای درک پدیده‌های مختلف، از ذرات بنیادی گرفته تا ساختار ستاره‌ها، نقشی اساسی ایفا می‌کند. اصلی هست که بنا به آن، هیچ دو الکترونی در اتم وجود ندارد که مجموعه اعداد کوانتومی آنها مشابه باشد.فراتر از اصل طرد پائولی، سایر خصوصیات فیزیکی اساسی توابع موج الکترونیکی نیز وجود دارد و بیشتر موفقیت PauliNet به جای اینکه به یادگیری عمیق اجازه دهد فقط از طریق مشاهده داده‌ها به یک راه حل برسد، شامل توانایی آن در ادغام این ویژگی‌ها در یک شبکه عصبی عمیق است. نوئه گفت: ساختن فیزیک بنیادی در هوش مصنوعی برای توانایی بخشیدن به آن در پیش‌بینی‌های معنی دار در این زمینه ضروری است. این در واقع جایی است که دانشمندان می‌توانند سهم قابل توجهی در هوش مصنوعی داشته باشند و دقیقاً همان چیزی است که گروه من روی آن متمرکز شده است. طبیعتاً موانع زیادی برای غلبه باقی مانده است تا اینکه روش جدید دانشمندان دانشگاه آزاد برلین برای کاربردهای صنعتی آماده شود. آنها هشدار دادند: این یک تحقیق پایه و یک رویکرد جدید برای یک مسئله قدیمی در علوم مولکولی و مادی است و ما از امکانات و کاربردهایی که دارد هیجان زده هستیم.کاربردهای حل معادله شرودینگر برای شیمی کوانتومی بسیار زیاد است و از بینش رایانه‌ای گرفته تا علم مواد، می‌تواند منجر به چنان پیشرفتی در محصولات تجاری شود که بشر هنوز تصور آن را نمی‌کند.