همکاری بین کالج امپریال لندن و گوگل دیپمایند سبب شده تا شبکههای عصبی بتوانند وضعیت مولکولها را با دقت بیشتری مدل کنند. این پیشرفت میتواند علم مواد و شیمی را متحول کند، زیرا به پیشبینی رفتار مولکولها در شبیهسازیها کمک میکند.
محققان کالج امپریال و گوگل دیپمایند روشی مبتنی بر شبکه عصبی برای مدلسازی حالات برانگیخته مولکولی معرفی کردهاند. این روش میتواند دقت شیمی محاسباتی را بهبود بخشد و در توسعه مواد و فناوریهای جدید از طریق شبیهسازیهای کامپیوتری قبل از آزمایشهای آزمایشگاهی کمک کند.
تیم تحقیقاتی به مسئله درک نحوه انتقال مولکولها به حالات برانگیخته و بازگشت از آنها پرداخته است. زمانی که مولکولها با نور یا دمای بالا تحریک میشوند، الکترونهای آنها میتوانند به یک حالت جدید موقتی بروند که به آن حالت برانگیخته میگویند. نمایش وضعیت یک سیستم کوانتومی بسیار چالشبرانگیز است و این دقیقاً جایی است که ما فکر کردیم شبکههای عمیق عصبی میتوانند کمک کنند.
دکتر دیوید فاو از گوگل دیپمایند
مقدار انرژی که در حین انتقال بین حالتها جذب و رها میشود، یک اثر انگشت یکتا برای مولکولها و مواد مختلف ایجاد میکند. این امر در عملکرد فناوریهایی مثل پنلهای خورشیدی، LEDها، نیمههادیها و فوتوکاتالیستها تأثیر دارد.
محققان رویکرد ریاضی جدیدی توسعه دادند و آن را با شبکه عصبی فمینت (FermiNet) که نخستین نمونه استفاده از یادگیری عمیق برای محاسبه انرژی اتمها و مولکولها از اصول پایه با دقت کافی بود، به کار گرفتند.
آنها این روش را بر روی مثالهای مختلفی آزمایش کردند و نتایج امیدبخشی به دست آوردند. از جمله، روی مولکولی پیچیده به نام دیمر کربنی، خطای مطلق میانگین (MAE) ۴ میلیالکترونولت به دست آوردند که پنج برابر نزدیکتر به نتایج آزمایشگاهی نسبت به روشهای قبلی بود که ۲۰ میلیالکترونولت بود.
دکتر فاو اظهار داشت: ما روش خود را بر روی پیچیدهترین سیستمها در شیمی محاسباتی، جایی که دو الکترون به طور همزمان تحریک میشوند، آزمایش کردیم و نتایجی در حدود ۰.۱ الکترونولت با پیچیدهترین محاسبات تا به امروز به دست آوردیم.
این پژوهش با عنوان "محاسبه دقیق حالتهای برانگیخته کوانتومی با شبکههای عصبی" در ۲۳ آگوست ۲۰۲۴ در مجله Science منتشر شد.
کامنت بزار
کامنت ها