هوش مصنوعی شکاف معادله شرودینگر را می شکند ، مطالعه می یابد

فن آوری

URL کوتاه دریافت کنید

https://cdn1.img.sputniknews.com/img/107310/95/1073109594_0:74:4000:2324_1200x675_80_0_0_5002510187856b01322caedf9be4f161.jpg

اسپوتنیک بین المللی

https://cdn2.img.sputniknews.com/i/logo.png

https://sputniknews.com/science/202101041081640679- هوش مصنوعی-ترک-فروشان-معادله-مطالعه-پیدا می شود /

هدف از شیمی کوانتوم پیش بینی خصوصیات مولکولی شیمیایی و فیزیکی بر اساس موقعیت اتم های آنها در فضا و پرهیز از آزمایش های آزمایشگاهی که به منابع و زمان قابل توجهی نیاز دارند. به طور کلی ، با حل معادله شرودینگر می توان به این مهم دست یافت ، اما دستیابی به آن در عمل دشوار است.

اخیراً از هوش مصنوعی (AI) برای حل معادله شرودینگر در شیمی کوانتوم استفاده شده است. بر اساس نتایج مطالعه اخیر منتشر شده در مجله Nature Chemistry ، تیمی از دانشمندان در دانشگاه فرای برلین ابزاری برای محاسبه وضعیت اساسی معادله با هوش مصنوعی (AI) ایجاد کرده اند. بر اساس این گزارش ، روش یادگیری عمیق توسعه یافته توسط محققان آلمانی قادر به دستیابی به ترکیبی بی سابقه از کارایی و دقت محاسباتی است.

هوش مصنوعی بسیاری از زمینه های فناوری و علمی را از گرافیک رایانه ای گرفته تا علم مواد دگرگون کرده است. پروفسور فرانک نوئه ، که رهبری تیم را بر عهده داشت ، می گوید: “ما معتقدیم که رویکرد ما ممکن است به طور قابل توجهی بر آینده شیمی کوانتوم تأثیر بگذارد.” این شبکه عصبی عمیق توسط تیم به عنوان روشی جدید برای نمایش توابع موج الکترونها طراحی شده است.

این استاد دانشگاه توضیح می دهد: “ما به جای رویكرد استاندارد تركیب تابع موج از م componentsلفه های نسبتاً ساده ریاضی ، ما یك شبكه عصبی مصنوعی طراحی كردیم كه قادر به یادگیری الگوهای پیچیده نحوه قرار گرفتن الكترون ها در اطراف هسته ها است.”

دکتر Jan Hermann از Freie Universitat Berlin ، که ویژگی های اصلی روش مورد استفاده در این مطالعه را طراحی کرده است ، افزود که ویژگی خاصی از توابع موج الکترونیکی عدم تقارن آنها است ، به این معنی که آنها مجبور شدند این ویژگی را در شبکه عصبی برای این روش ایجاد کنند. برای کار.

این ویژگی که به عنوان “اصل حذف Pauli” شناخته می شود ، منجر به این شد که نویسندگان روش خود را “PauliNet” عنوان کنند. در کنار اصل طرد پائولی ، توابع موج الکترونیکی دارای ویژگیهای اساسی فیزیکی دیگری نیز هستند و بیشتر موفقیت نوآورانه PauliNet این است که این خصوصیات را در شبکه عصبی عمیق ادغام می کند ، نه اینکه اجازه دهد یادگیری عمیق آنها را فقط با مشاهده داده ها کشف کند.

نوئو می گوید: “ساختن فیزیك بنیادی در هوش مصنوعی برای توانایی آن در پیش بینی های معنی دار در این زمینه ضروری است.” “این در واقع جایی است که دانشمندان می توانند سهم قابل توجهی در هوش مصنوعی داشته باشند ، و دقیقاً همان چیزی که گروه من روی آن متمرکز شده اند.”