I ricercatori del Center for Materials Technologies di Skoltech hanno fornito una dimostrazione di prova del concetto di un metodo guidato dalla rete neurale per creare una precisa interpolazione funzionale di correlazione di scambio, che è il componente centrale della teoria del funzionale della densità. DFT, a sua volta, è il principale metodo numerico utilizzato nella fisica della materia condensata e nella chimica quantistica per calcolare la reattività dei composti, la struttura zonale delle molecole, la durabilità dei materiali e altre proprietà cruciali per la ricerca di nuovi materiali, farmaci e altro ancora. La promettente architettura della rete neurale è stata presentata e analizzata in Rapporti scientifici .

Come descritto dall'equazione di Schrödinger multielettrone, i moti degli elettroni nella materia determinano le proprietà della struttura elettronica. Ad esempio, il legame chimico, un concetto fondamentale di tutta la chimica, è un movimento correlato complesso di elettroni governato dalle leggi della meccanica quantistica.

Il problema con l'equazione di Schrödinger multielettrone è che, sebbene sia relativamente facile da stabilire, non è stata trovata alcuna soluzione analitica e la soluzione numerica è molto complessa e impegnativa. Qui, uno degli approcci principali è il metodo del campo medio (densità), che descrive la complessa interazione degli elettroni in termini di potenziale effettivo.

"La teoria del funzionale della densità semplifica le cose utilizzando la nozione di nuvola di elettroni caratterizzata da una certa densità locale invece di considerare i singoli elettroni", ha spiegato il primo autore dello studio, l'ingegnere di ricerca Skoltech Alexander Ryabov.

"Tuttavia, questa teoria ha un importante valore sconosciuto, chiamato funzionale di scambio-correlazione. Fino a poco tempo, la tendenza era di approssimarlo analiticamente. Cioè, i coefficienti nella forma funzionale erano determinati sulla base di diversi principi fisici noti senza ricorrere a reti neurali . Il nostro metodo è il primo a utilizzare una rete neurale a due componenti per questo. Le reti neurali sono state attivamente impiegate in questo compito, ma il nostro team le sta sperimentando in quest'area in Russia."

Secondo i ricercatori, ciò che li distingue dagli approcci concorrenti è che l'allenamento avviene in due fasi:in primo luogo, viene allenata una rete e i suoi pesi vengono congelati. Poi ne viene insegnato un altro.

"In precedenza, le persone utilizzavano una rete neurale per approssimare il funzionale di correlazione di scambio, dopodiché dovevano essere presi derivati ​​ad alta intensità di calcolo per trovare il potenziale di correlazione di scambio corrispondente. Questi sono derivati ​​​​di un tipo che spesso si rivela difficile da calcolare con una discreta precisione usando una rete neurale", ha aggiunto Petr Zhilyaev, ricercatore senior di Skoltech, ricercatore principale dello studio. "Nel nostro lavoro, una rete neurale a due componenti approssima sia il potenziale che il funzionale, quindi non sono coinvolte derivate complicate e il carico computazionale è diminuito."

"Per eseguire gli esperimenti riportati nel nostro articolo, abbiamo implementato la rete neurale nella suite software Octopus per la chimica quantistica", ha detto Ryabov. "Abbiamo anche studiato come il processo di addestramento è influenzato da densità non autoconsistenti. Dopo aver aggiunto tali densità al set di dati di addestramento, abbiamo osservato un miglioramento delle prestazioni sulle molecole per le quali la rete neurale in precedenza produceva i risultati peggiori". + Esplora ulteriormente

Gli scienziati dubitano che l'IA di DeepMind sia buona per i sistemi a carica frazionaria come sembra