Un team di scienziati della Freie Universität Berlin ha sviluppato un metodo di intelligenza artificiale (AI) per calcolare lo stato fondamentale dell'equazione di Schrödinger nella chimica quantistica. L'obiettivo della chimica quantistica è prevedere le proprietà chimiche e fisiche delle molecole basandosi esclusivamente sulla disposizione dei loro atomi nello spazio, evitando la necessità di esperimenti di laboratorio dispendiosi in termini di risorse e tempo. In linea di principio, questo può essere ottenuto risolvendo l'equazione di Schrödinger, ma in pratica questo è estremamente difficile.

Fino ad ora, è stato impossibile trovare una soluzione esatta per molecole arbitrarie che possono essere calcolate in modo efficiente. Ma il team della Freie Universität ha sviluppato un metodo di deep learning in grado di ottenere una combinazione senza precedenti di accuratezza ed efficienza computazionale. L'IA ha trasformato molte aree tecnologiche e scientifiche, dalla computer vision alla scienza dei materiali. "Riteniamo che il nostro approccio possa avere un impatto significativo sul futuro della chimica quantistica, "dice il professor Frank Noé, che ha guidato il lavoro di squadra. I risultati sono stati pubblicati sulla rinomata rivista Chimica della natura .

Centrale sia per la chimica quantistica che per l'equazione di Schrödinger è la funzione d'onda, un oggetto matematico che specifica completamente il comportamento degli elettroni in una molecola. La funzione d'onda è un'entità ad alta dimensione, ed è quindi estremamente difficile catturare tutte le sfumature che codificano come i singoli elettroni si influenzano a vicenda. Molti metodi della chimica quantistica infatti rinunciano ad esprimere del tutto la funzione d'onda, cercando invece solo di determinare l'energia di una data molecola. Ciò richiede tuttavia delle approssimazioni, limitare la qualità di previsione di tali metodi.

Altri metodi rappresentano la funzione d'onda con l'uso di un numero immenso di semplici blocchi matematici, ma tali metodi sono così complessi che sono impossibili da mettere in pratica per più di una manciata di atomi. "Sfuggire al solito compromesso tra accuratezza e costo computazionale è il più alto risultato nella chimica quantistica, " spiega il dott. Jan Hermann della Freie Universität Berlin, che ha progettato le caratteristiche chiave del metodo nello studio. "Finora, il più popolare di questi valori anomali è la teoria del funzionale della densità estremamente conveniente. Crediamo che il profondo 'Quantum Monte Carlo, ' l'approccio che proponiamo, potrebbe essere uguale, se non di più successo. Offre una precisione senza precedenti a un costo computazionale ancora accettabile."

La rete neurale profonda progettata dal team del professor Noé è un nuovo modo di rappresentare le funzioni d'onda degli elettroni. "Invece dell'approccio standard di comporre la funzione d'onda da componenti matematici relativamente semplici, abbiamo progettato una rete neurale artificiale in grado di apprendere i complessi schemi di come gli elettroni si trovano attorno ai nuclei, " Spiega Noé. "Una caratteristica peculiare delle funzioni d'onda elettroniche è la loro antisimmetria. Quando si scambiano due elettroni, la funzione d'onda deve cambiare segno. Abbiamo dovuto incorporare questa proprietà nell'architettura della rete neurale per l'approccio al lavoro, " aggiunge Hermann. Questa caratteristica, noto come 'principio di esclusione di Pauli, ' è per questo che gli autori hanno chiamato il loro metodo 'PauliNet.'

Oltre al principio di esclusione di Pauli, le funzioni d'onda elettroniche hanno anche altre proprietà fisiche fondamentali, e gran parte del successo innovativo di PauliNet è che integra queste proprietà nella rete neurale profonda, piuttosto che lasciare che il deep learning li capisca semplicemente osservando i dati. "Costruire la fisica fondamentale nell'IA è essenziale per la sua capacità di fare previsioni significative sul campo, " afferma Noé. "È davvero qui che gli scienziati possono dare un contributo sostanziale all'intelligenza artificiale, ed esattamente su cosa si concentra il mio gruppo."

Ci sono ancora molte sfide da superare prima che il metodo di Hermann e Noé sia ​​pronto per l'applicazione industriale. "Questa è ancora una ricerca fondamentale, " gli autori sono d'accordo, "ma è un nuovo approccio a un problema secolare nelle scienze molecolari e dei materiali, e siamo entusiasti delle possibilità che apre".