Группа ученых из Российского квантового центра и НИТУ "МИСиС" совместно улучшили производительность фермионной нейронной сети (FermiNet), первоначально разработанной DeepMind, британским разработчиком систем искусственного интеллекта. При поддержке RNF и исследовательского центра Nissan исследователи использовали нейронную сеть FermiNet и платформу облачных квантовых вычислений QBoard для моделирования более обширных химических систем. Их результаты задокументированы в Международном журнале квантовой химии.
Нейронные сети, основанные на искусственном интеллекте, регулярно используются учеными в различных областях для тщательного анализа огромных объемов данных и прогнозирования действий отдельных систем. В 2020 году DeepMind представила фермионную нейронную сеть для решения одной из основных задач в области химии - решения уравнения Шредингера для электронов в молекулах.
Поскольку большинство задач квантовой механики не могут быть решены с абсолютной уверенностью, ученые полагаются на приближения, которые включают в себя определение приблизительных значений путем замены объектов упрощенными версиями. Манипулируя свободными параметрами, физики могут определить волновые функции, которые наиболее точно описывают состояние системы. Этот метод поиска, называемый ansatz, широко используется в квантовой химии, поскольку моделирование фундаментальных химических реакций по-прежнему является сложной задачей даже для систем с небольшим числом атомов.
Для проведения эксперимента ученые сотрудничали с экспертами по машинному обучению, физиками и химиками, используя архитектуру FermiNet в качестве основы. Впоследствии они итеративно усовершенствовали нейронную сеть, используя новую процедуру обучения. На протяжении всех вычислений они использовали облачную платформу квантовых вычислений QBoard. Следовательно, команда не только расширила размеры системы за пределы того, что допускала оригинальная архитектура FermiNet, но и повысила точность классических расчетов электрон-ядерного и электрон-электронного взаимодействия.
Команда продемонстрировала свои результаты, смоделировав различные молекулы, такие как азот, монооксид углерода, этилен и фтористый водород. Выводы, полученные в результате этого исследования, могут быть применены в различных областях, включая фармакологию, материаловедение и топливную промышленность, для разработки новых лекарств и материалов.
