resumen: Los investigadores han desarrollado tecnología de inteligencia artificial inspirada en el cerebro utilizando redes neuronales para modelar estados cuánticos difíciles de moléculas, lo cual es crucial para tecnologías como los paneles solares y los fotocatalizadores.

Este nuevo enfoque mejora enormemente la precisión y permite una mejor predicción de los comportamientos moleculares durante las transiciones de energía. Al mejorar nuestra comprensión de los estados moleculares excitados, esta investigación podría revolucionar la creación de prototipos de materiales y la síntesis química.

Hechos clave:

• Las redes neuronales han modelado estados moleculares excitados con una precisión sin precedentes.
• Se logró una precisión cinco veces mayor que los métodos anteriores para moléculas complejas.
• Puede conducir a simulaciones por computadora de materiales y modelos químicos.

fuente: Colegio Imperial de Londres

Una nueva investigación que utiliza redes neuronales, una forma de inteligencia artificial inspirada en el cerebro, propone una solución al difícil desafío de modelar los estados de las moléculas.

La investigación muestra cómo esta técnica puede ayudar a resolver ecuaciones fundamentales en sistemas moleculares complejos.

Esto podría dar lugar a usos prácticos en el futuro, ayudando a los investigadores a crear prototipos de nuevos materiales y combinaciones químicas mediante simulaciones por ordenador antes de intentar fabricarlos en el laboratorio.

Dirigido por científicos del Imperial College London y Google DeepMind, el estudio se publicó hoy en ciencias.

Partículas excitadas

El equipo estudió el problema de comprender cómo las moléculas se mueven hacia y desde los «estados excitados». Cuando las moléculas y los materiales son excitados por una gran cantidad de energía, como la exposición a la luz o altas temperaturas, los electrones que contienen pueden pasar a una nueva configuración temporal, conocida como estado excitado.

La cantidad precisa de energía absorbida y liberada a medida que las moléculas cambian de estado crea una huella digital única para diferentes moléculas y materiales. Esto afecta el rendimiento de tecnologías que van desde paneles solares y LED hasta semiconductores y fotocatalizadores. También desempeñan un papel crucial en los procesos biológicos que involucran la luz, incluida la fotosíntesis y la visión.

Sin embargo, es muy difícil modelar esta huella digital porque los electrones excitados son de naturaleza cuántica, lo que significa que sus posiciones dentro de las moléculas nunca son seguras y sólo pueden expresarse como probabilidades.

El investigador principal, el Dr. David Faw, de Google DeepMind y el Departamento de Física del Imperial College, dijo: “Representar el estado de un sistema cuántico es muy difícil. A cada configuración posible de las posiciones de los electrones se le debe asignar una probabilidad.

“El espacio de todas las configuraciones posibles es enorme: si intentaras representarlo como una cuadrícula con 100 puntos a lo largo de cada dimensión, el número de configuraciones electrónicas posibles para un átomo de silicio sería mayor que el número de átomos en el universo. es exactamente donde pensamos que las redes neuronales profundas podrían ayudar «.

Redes neuronales

Los investigadores desarrollaron un nuevo enfoque matemático y lo utilizaron con una red neuronal llamada FermiNet, que fue el primer ejemplo en el que se utilizó el aprendizaje profundo para calcular la energía de átomos y moléculas a partir de principios fundamentales que eran lo suficientemente precisos como para ser útiles.

El equipo probó su enfoque con una variedad de ejemplos y los resultados fueron prometedores. En una molécula pequeña pero compleja llamada dicarbonato, pudieron lograr un error absoluto promedio de 4 MeV (milielectronvoltios, una pequeña medida de energía), que es casi cinco veces mayor que los resultados experimentales en comparación con los métodos estándar anteriores de 20 MeV. .

El Dr. Faw dijo: “Probamos nuestro método en algunos de los sistemas más desafiantes de la química computacional, donde dos electrones se excitan simultáneamente, y descubrimos que estábamos a aproximadamente 0,1 MeV de los cálculos más complejos y exigentes realizados hasta la fecha.

«Hoy, estamos haciendo que nuestro último trabajo sea de código abierto y esperamos que la comunidad de investigación aproveche nuestros métodos para explorar las formas inesperadas en que la materia interactúa con la luz».

Acerca de las noticias sobre investigación en inteligencia artificial.

autor: Hayley Dunning
fuente: Colegio Imperial de Londres
comunicación: Hayley Dunning – Imperial College de Londres
imagen: Imagen tomada de Neuroscience News

Búsqueda original: El acceso está cerrado.
«Cálculo preciso de estados excitados cuánticos utilizando redes neuronales«Por David Faw et al.» ciencias

un resumen

Cálculo preciso de estados excitados cuánticos utilizando redes neuronales

introducción

Comprender la física de cómo interactúa la materia con la luz requiere un modelado preciso de los estados electrónicos excitados de los sistemas cuánticos. Esto constituye la base del comportamiento de fotocatalizadores, colorantes fluorescentes, puntos cuánticos, diodos emisores de luz (LED), láseres, células solares y mucho más.

Los métodos actuales de química cuántica para estados excitados pueden ser mucho menos precisos que los de estados fundamentales, a veces son cualitativamente imprecisos o pueden requerir conocimientos previos sobre estados específicos. Las redes neuronales combinadas con Monte Carlo variacional (VMC) han logrado una precisión notable de las funciones de onda del estado fundamental para una variedad de sistemas, incluidos modelos de espín, moléculas y sistemas de materia condensada.

Aunque VMC se ha utilizado para estudiar estados excitados, los métodos anteriores tienen limitaciones que dificultan o imposibilitan su uso con redes neuronales y, a menudo, contienen muchos parámetros libres que requieren ajuste para lograr buenos resultados.

Razón fundamental

Combinamos la flexibilidad de las soluciones de redes neuronales con una visión matemática que nos permite transformar el problema de encontrar estados excitados de un sistema en el problema de encontrar el estado fundamental de un sistema extendido, que luego puede abordarse utilizando VMC estándar. A este enfoque lo llamamos VMC para estados excitados normales (NES-VMC).

La independencia lineal de los estados espontáneamente excitados está impuesta por la forma funcional del estado. La energía y otros potenciales de cada estado excitado se obtienen transformando la matriz de valores de proyección hamiltonianos tomados del estado individual, que se pueden acumular sin costo adicional.

Lo que es crucial aquí es que este enfoque no tiene parámetros libres para ajustar y no requiere condiciones de penalización para imponer la ortostasis. Examinamos la precisión de este enfoque utilizando dos arquitecturas de redes neuronales diferentes: FermiNet y Psiformer.

resultados

Hemos demostrado nuestro enfoque en sistemas de referencia que van desde átomos individuales hasta moléculas del tamaño de una gasolina. Demostramos la precisión de NES-VMC en átomos de la primera fila, coincidiendo estrechamente con los resultados experimentales, y en una variedad de moléculas pequeñas, obteniendo energías e intensidades de oscilador muy precisas comparables a las mejores estimaciones teóricas existentes.

Calculamos las curvas de energía potencial para los estados excitados más bajos en los dos carbonos e identificamos los estados a lo largo de las longitudes de los enlaces analizando sus simetrías y rotaciones. Las energías de excitación vertical de NES-VMC coincidieron con las obtenidas utilizando el método de reacción de formación de baño térmico (SHCI) semialeatorio de alta resolución con resolución química para todas las longitudes de enlace, mientras que las excitaciones adiabáticas estuvieron dentro de 4 MeV de los valores experimentales en promedio. ​- Esta es una mejora cuatro veces mayor en comparación con SHCI.

En el caso del etileno, NES-VMC describió correctamente la unión cónica de la molécula retorcida y estuvo en excelente concordancia con los resultados de la interacción de conformación de referencia múltiple de alta resolución (MR-CI). También consideramos cinco sistemas desafiantes con excitaciones dobles de baja altura, incluidas múltiples moléculas del tamaño de benceno.

En todos los sistemas donde existe una buena concordancia entre los métodos sobre las energías de excitación vertical, Psiformer estuvo dentro de la precisión química en todos los estados, incluido el butadieno, donde el orden de los estados particulares ha sido disputado durante muchas décadas. En tetrazina y ciclopentadienona, donde se sabía que los cálculos modernos realizados hace sólo unos años eran inexactos, los resultados de NES-VMC coincidieron estrechamente con los modernos y sofisticados cálculos difusionales de Monte Carlo y la completa teoría de perturbaciones de tercer orden del espacio activo (CASPT3).

Finalmente, consideramos la molécula de benceno, donde la combinación de NES-VMC y el método Psiformer concordaba mejor con las mejores estimaciones teóricas que otros métodos, incluidos los métodos de análisis de redes neuronales que utilizan métodos de penalización. Esto valida matemáticamente nuestro enfoque y muestra que las redes neuronales pueden representar con precisión los estados excitados de las moléculas en el límite actual de los métodos computacionales.

conclusión

El NES-VMC es un principio variacional matemáticamente sólido y sin coeficientes para estados excitados. Combinarlo con soluciones de redes neuronales permite una precisión notable en una amplia gama de problemas de referencia. El desarrollo de un enfoque VMC preciso para los estados excitados de sistemas cuánticos abre muchas posibilidades y amplía significativamente la gama de aplicaciones de las funciones de onda de las redes neuronales.

Aunque solo consideramos excitaciones electrónicas para sistemas moleculares y soluciones de redes neuronales, NES-VMC es aplicable a cualquier hamiltoniano cuántico y a cualquier solución, lo que permite estudios computacionales precisos que pueden mejorar nuestra comprensión de los acoplamientos vibratorios, las bandas prohibidas fotónicas y la física nuclear y otras cuestiones difíciles. problemas.