Tecnologia Científica
A IA enfrenta um dos desafios mais difíceis da química quântica
Uma nova pesquisa usando redes neurais, uma forma de IA inspirada no cérebro, propõe uma solução para o difícil desafio de modelar os estados das moléculas.
Por
Hayley Dunning - 11/09/2024
A pesquisa mostra como a técnica pode ajudar a resolver equações fundamentais em sistemas moleculares complexos.
Isso pode levar a usos práticos no futuro, ajudando pesquisadores a prototipar novos materiais e sínteses químicas usando simulação de computador antes de tentar produzi-los em laboratório.
O estudo, liderado por cientistas do Imperial College London e do Google DeepMind, foi publicado hoje na Science .
Moléculas excitadas
A equipe investigou o problema de entender como as moléculas transitam de e para "estados excitados". Quando moléculas e materiais são estimulados por uma grande quantidade de energia, como exposição à luz ou altas temperaturas, seus elétrons podem ser chutados para uma nova configuração temporária, conhecida como estado excitado.
"Representar o estado de um sistema quântico é extremamente desafiador... É exatamente aí que pensamos que redes neurais profundas poderiam ajudar."
Dr. David Pfau
A quantidade exata de energia absorvida e liberada conforme as moléculas transitam entre estados cria uma impressão digital única para diferentes moléculas e materiais. Isso afeta o desempenho de tecnologias que vão de painéis solares e LEDs a semicondutores e fotocatalisadores. Eles também desempenham um papel crítico em processos biológicos envolvendo luz, incluindo fotossíntese e visão.
No entanto, essa impressão digital é extremamente difícil de modelar porque os elétrons excitados são quânticos por natureza, o que significa que suas posições dentro das moléculas nunca são certas e só podem ser expressas como probabilidades.
O pesquisador-chefe Dr. David Pfau , do Google DeepMind e do Departamento de Física do Imperial, disse: "Representar o estado de um sistema quântico é extremamente desafiador. Uma probabilidade tem que ser atribuída a cada configuração possível de posições de elétrons.
“O espaço de todas as configurações possíveis é enorme — se você tentasse representá-lo como uma grade com 100 pontos ao longo de cada dimensão, então o número de configurações eletrônicas possíveis para o átomo de silício seria maior do que o número de átomos no universo. É exatamente aqui que pensamos que redes neurais profundas poderiam ajudar.”
Redes neurais
Os pesquisadores desenvolveram uma nova abordagem matemática e a usaram com uma rede neural chamada FermiNet (Fermionic Neural Network), que foi o primeiro exemplo em que o aprendizado profundo foi usado para calcular a energia de átomos e moléculas a partir de princípios fundamentais que eram precisos o suficiente para serem úteis.
A equipe testou sua abordagem com uma série de exemplos, com resultados promissores. Em uma molécula pequena, mas complexa, chamada dímero de carbono , eles alcançaram um erro absoluto médio (MAE) de 4 meV (milieletronvolt – uma pequena medida de energia), que é cinco vezes mais próximo dos resultados experimentais do que os métodos padrão-ouro anteriores, atingindo 20 meV.
O Dr. Pfau disse: “Testamos nosso método em alguns dos sistemas mais desafiadores da química computacional, onde dois elétrons são excitados simultaneamente, e descobrimos que estávamos a cerca de 0,1 eV dos cálculos mais exigentes e complexos feitos até o momento.
“Hoje, estamos tornando nosso trabalho mais recente de código aberto e esperamos que a comunidade de pesquisa se baseie em nossos métodos para explorar as formas inesperadas como a matéria interage com a luz.”
-
Baseado em um blog do Google DeepMind .
' Cálculo preciso de estados excitados quânticos com redes neurais ' por David Pfau, Simon Axelrod, Halvard Sutterud, Ingrid von Glehn e James S. Spence é publicado na Science .
