هوش مصنوعی معادلات شرودینگر را حل می کند

[ad_1]

علم و تکنولوژی

URL کوتاه

یکی از اهداف شیمی کوانتوم پیش بینی خواص مولکولی شیمیایی و فیزیکی بر اساس موقعیت اتم های آنها در فضا و جلوگیری 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 ، که البته بسیار ساده است.

اخیراً از هوش مصنوعی برای حل معادله شرودینگر در شیمی کوانتوم استفاده شده است. تیمی از دانشمندان دانشگاه فرای برلین ابزاری را برای محاسبه وضعیت اساسی معادله با استفاده از هوش مصنوعی ایجاد کرده اند. نتایج این مطالعه بود منتشر شده در مجله Nature Chemistry. بر اساس این گزارش ، روش آموزش عمیق توسعه یافته توسط محققان آلمانی می تواند ترکیبی بی سابقه از کارایی و دقت محاسباتی را به دست آورد.

در مکانیک کوانتوم ، معادله شرودینگر یک معادله اساسی است که تکامل زمانی وضعیت ذره ، اتم یا مولکول را تعیین می کند. این توسط اروین شرودینگر (1887 – 1961) فیزیکدان برنده جایزه نوبل اتریش در سال 1925 فرموله شد.

هوش مصنوعی در حال دگرگونی بسیاری از زمینه های فناوری و علوم است ، از گرافیک رایانه ای گرفته تا علم مواد. پروفسور فرانک نوح ، سرپرست تیم ، گفت: “ما معتقدیم که رویکرد ما می تواند تأثیر قابل توجهی در آینده شیمی کوانتوم داشته باشد.” این شبکه عصبی عمیق توسط تیم به عنوان راهی جدید برای نشان دادن توابع موج الکترونها طراحی شده است.

وی گفت: “ما به جای روش استاندارد ساخت تابع موج از ملفه های نسبتاً ساده ریاضی ، ما یك شبكه عصبی مصنوعی طراحی كردیم كه می تواند الگوهای پیچیده ای از نحوه وجود الكترون ها در اطراف هسته ها را آموزش دهد.”

دکتر یان هرمان از دانشگاه فرای برلین ، 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 این خاصیت همچنین باید در یک شبکه عصبی برای بازسازی شود رویکرد عملیاتی

این ویژگی که به عنوان “اصل حذف Pauli” شناخته می شود ، نویسندگان را بر آن داشت تا نام روش خود را “PauliNet” بگذارند. علاوه بر اصل طرد پائولی ، توابع موج الکترونیکی دارای سایر خصوصیات فیزیکی اساسی نیز هستند و بسیاری از موفقیت های نوآورانه PauliNet این است که این ویژگی ها را در شبکه عصبی عمیق ادغام می کند ، نه اینکه اجازه دهد “یادگیری عمیق” آنها را به سادگی با مشاهده داده.

نوح می گوید: “ساختن فیزیك بنیادی در هوش مصنوعی برای توانایی آن در پیش بینی های معنی دار در این زمینه ضروری است.” وی گفت: “دانشمندان می توانند در اینجا سهم قابل توجهی در هوش مصنوعی داشته باشند ، و این همان چیزی است كه گروه من روی آن تمركز كرده است.”



[ad_2]

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد.