الگوریتم یادگیری ماشینی خواص مواد را با استفاده از چگالی الکترون پیش بینی می کند.

تیمی به رهبری دانشمندان شرکت هوش مصنوعی DeepMind مستقر در لندن، یک مدل یادگیری ماشینی ایجاد کرده اند که ویژگی های یک مولکول را با پیش بینی توزیع الکترون ها در آن نشان می دهد. این رویکرد می‌تواند خواص برخی مولکول‌ها را با دقت بیشتری نسبت به تکنیک‌های موجود محاسبه کند. در اصل، ساختار مواد و مولکول ها به طور کامل توسط مکانیک کوانتومی و به طور خاص توسط معادله شرودینگر تعیین می شود که بر رفتار توابع موج الکترون حاکم است. اینها ابزارهای ریاضی هستند که احتمال یافتن یک الکترون خاص را در یک موقعیت خاص در فضا توصیف می کنند.

جیمز کرک پاتریک، فیزیکدان در DeepMind می‌گوید از آنجایی که همه الکترون‌ها با یکدیگر تعامل دارند، محاسبه ساختار یا اوربیتال‌های مولکولی از روی چنین اصول اولیه یک کابوس محاسباتی است و می‌تواند فقط برای ساده‌ترین مولکول‌ها مانند بنزن انجام شود. برای دور زدن این مشکل، محققان - از داروشناسان تا مهندسان باتری - که کارشان بر کشف یا توسعه مولکول‌های جدید متکی است، برای دهه‌ها بر مجموعه‌ای از تکنیک‌ها به نام نظریه عملکردی چگالی (DFT) برای پیش‌بینی خواص فیزیکی مولکول‌ها تکیه کرده‌اند.

این نظریه سعی نمی‌کند تک تک الکترون‌ها را مدل‌سازی کند، بلکه هدف آن محاسبه توزیع کلی بار الکتریکی منفی الکترون‌ها در سراسر مولکول است. بسیاری از خواص ماده را می توان به راحتی از روی آن چگالی محاسبه کرد. اگرچه محاسبات DFT بسیار کارآمدتر از محاسباتی هستند که از تئوری کوانتومی پایه شروع می شوند، اما هنوز هم دست و پا گیر هستند و اغلب به ابررایانه ها نیاز دارند.

بنابراین، در دهه گذشته، شیمیدان‌های نظری به طور فزاینده‌ای شروع به آزمایش با یادگیری ماشین کرده‌اند، به‌ویژه برای مطالعه خواصی مانند واکنش‌پذیری شیمیایی مواد یا توانایی آنها برای هدایت گرما.

تیم DeepMind احتمالا بلندپروازانه‌ترین تلاشی را که تاکنون برای به کارگیری هوش مصنوعی برای محاسبه چگالی الکترون انجام داده است، نتیجه نهایی محاسبات DFT است. این تیم یک شبکه عصبی مصنوعی را بر روی داده های 1161 راه حل دقیق به دست آمده از معادلات شرودینگر آموزش دادند. برای بهبود دقت، آنها همچنین برخی از قوانین شناخته شده فیزیک را به شبکه متصل کردند. به گفته فون لیلینفلد، آنها سپس سیستم آموزش دیده را روی مجموعه‌ای از مولکول‌ها که اغلب به عنوان معیاری برای DFT استفاده می‌شوند، آزمایش کردند و نتایج چشمگیر بود.

215000920.359