حل معادله شرودینگر و بیرون کشیدن جعبه اسرار سیستم (یعنی تابع موج)، از دل آن، یکی از مهم‌ترین وظایف شیمی کوانتومی است؛ وظیفه‌ای که انجام آن حتی در کوچک‌ترین سیستم‌های شیمیایی نیز، فوق‌العاده دشوار بوده و راه حلی عمومی برای انجام بهینه آن وجود ندارد؛ اما اکنون گروهی از دانشمندان در دانشگاه آزاد برلین، یک روش هوش مصنوعی (AI) را برای محاسبه حالت پایه معادله شرودینگر در شیمی کوانتومی توسعه داده‌اند. نتیجه‌ی این پژوهش مهم و تاثیرگذار در مجله معتبر Nature Chemistry منتشر شده است. با دیپ لوک همراه باشید…
هدف شیمی کوانتومی، پیش‌بینی ویژگی‌های شیمیایی و فیزیکی مولکولها، فقط بر اساس آرایش اتم‌های آن‌ها در فضاست. شیمی کوانتومی عملا نیاز به آزمایش‌های آزمایشگاهی وقت‌گیر و گران‌قیمت را از بین می‌برد. اصولاً با حل معادله شرودینگر می‌توان به این مهم دست یافت، اما در عمل، این کار بسیار دشوار است.
تاکنون یافتن یک راه حل دقیق برای معادله‌ی شرودینگر مولکول‌های دلخواه که بتواند به طور کارآمدی محاسبه شود، غیرممکن بوده است؛ اما گروهی از محققان دانشگاه آزاد برلین، یک روش یادگیری عمیق توسعه داده‌اند که می‌تواند به یک ترکیب بی‌سابقه از دقت و کارایی محاسباتی برسد. هوش مصنوعی بسیاری از زمینه های فناوری و علمی، از بینایی کامپیوتری گرفته تا علم مواد را دگرگون کرده است. پروفسور فرانک نوئه (Frank Noé) که رهبری گروه را بر عهده داشت، می‌گوید:
ما معتقدیم رویکرد ما می‌تواند به طور قابل توجهی بر آینده شیمی کوانتومی تأثیر بگذارد.
تابع موج، هم در شیمی کوانتومی و هم در معادله شرودینگر، محور اصلی بحث است. در واقع تابع موج، یک جسم ریاضی است که رفتار الکترون‌های یک مولکول را کاملاً مشخص می‌کند. تابع موج یک موجودیت بُعد-بالا است، بنابراین بدست آوردن همه تفاوت‌های ظریفی که نحوه تأثیر الکترون‌ها را بر یکدیگر کدگذاری می‌کند، بسیار دشوار است. در حقیقت، بسیاری از روش های شیمی کوانتومی از بیان کلی تابع موج اجتناب کرده و در عوض فقط برای تعیین انرژی یک مولکول معین تلاش می کنند. با این حال ، این امر نیاز به تقریب هایی دارد که کیفیت پیش بینی چنین روش هایی را محدود می‌نماید.
روش‌های دیگر، تابع موج را با استفاده از تعداد بسیار زیادی اجزای ریاضی ساده نمایش می‌دهند، اما چنین روش‌هایی چنان دشوار هستند که عملی کردن آن‌ها برای بیش از یک مشت اتم، غیرممکن است. دکتر یان هرمان (Jan Hermann) از دانشگاه آزاد برلین که خصوصیات اصلی این روش را طراحی کرده، توضیح می دهد:
فرار از سبک‌سنگینی معمول بین دقت و هزینه محاسباتی، بالاترین دستاورد در شیمی کوانتومی است. تاکنون محبوب‌ترین نظریه در این زمینه، نظریه بسیار مقرون به صرفه‌ی تابعی چگالی (Density functional theory) است. ما معتقدیم مونت کارلوی کوانتومی عمیق (رویکردی که ما پیشنهاد می دهیم)، اگر نه بیشتر، می‌تواند به همان اندازه موفق باشد. این روش، دقت بی‌سابقه‌ای را با هزینه محاسباتی قابل قبول ارائه می‌دهد.
شبکه عصبی عمیق طراحی شده توسط گروه پروفسور نوئه، راهی جدید برای نمایش توابع موج الکترون‌هاست. نوئه توضیح می‌دهد:
ما به جای رویکرد استاندارد ترکیب تابع موج از مولفه‌های نسبتاً ساده ریاضی، یک شبکه عصبی مصنوعی طراحی کردیم که قادر است الگوهای پیچیده نحوه قرارگیری الکترون ها در اطراف هسته ها را بیاموزد. یکی از ویژگی‌های خاص توابع موج الکترونی، پادتقارن آنهاست. وقتی دو الکترون رد و بدل می شوند، تابع موج باید علامت خود را تغییر دهد. ما مجبور شدیم این ویژگی را در ساختار شبکه عصبی ایجاد کنیم تا کار کند.
این ویژگی به عنوان «اصل طرد پاولی» شناخته می‌شود، به همین دلیل نویسندگان، روش خود را پائولی‌نت (PauliNet) نامیدند.
علاوه بر اصل طرد پائولی، توابع موج الکترونی دارای ویژگی‌های فیزیکی بنیادی دیگری نیز هستند و بیشتر موفقیت نوآورانه پائولی نت، ناشی از آن است که این ویژگی‌ها را در شبکه عصبی عمیق ادغام می‌کند؛ به جای آنکه اجازه دهد یادگیری عمیق آن‌ها را فقط با مشاهده داده‌ها بفهمد. نوئه می گوید:
بنانهادن فیزیک بنیادی در هوش مصنوعی، به منظور انجام پیش‌بینی‌های معنی‌دار در این حوزه، ضروری است. این در واقع جایی است که دانشمندان می‌توانند سهم قابل توجهی در هوش مصنوعی داشته باشند و دقیقاً همان چیزی است که گروه من روی آن متمرکز شده است.
قبل از آماده شدن روش هرمان و نوئه برای کاربردهای صنعتی، هنوز چالش های زیادی وجود دارد که باید برطرف شود. نویسندگان معتقدند که:
این یک پژوهش بنیادی است، اما در عین حال، رویکرد جدیدی برای یک مسئله قدیمی در علم مولکولی و مواد است و ما در مورد مسیرهای احتمالی و جدیدی که ایجاد می‌کند، هیجان‌زده هستیم.
گفتگو۳ دیدگاه
خسته نباشید عالی بود . یه سئوال داشتم ،! در صورتی که شما راز اینکه جهان چگونه کار میکنه رو داشتین چه کارهایی انجام میدادین؟
خسته نباشید عالی بود . یه سئوال داشتم ،! در صورتی که شما راز اینکه جهان چگونه کار میکنه رو داشتین چه کارهایی انجام میدادین؟ در صورتی که من بتونم راز اینکه جهان کار میکنه رو داشته باشم چه همکاری میتونین داشته باشین؟
چه جالب. امروز عصر داشتم راجع به برهم نهی و کامپیوتر کوانتومی و اینجور چیزها فکر می کردم. به ذهنم رسید جهان هستی که داره بر اساس ترکیب سازی از سطح اتمها و مولکولها بگیرید تا یک محلول و مخلوط کار می کنه و تا چیزی رو با هم ترکیب نکنیم و نیامیزیم نمی توان دست یافت که چه خواص خواهد داشت با خودم می گفتم براستی کوانتوم و حالت بر هم نهی می تونه پاسخ این سوالات رو بده. ایا ارتباطی بین ایندو هست . یعنی شناخت ترکیبها با کوانتوم . که در این ساعت در بالا خوندم موضوع شیمی کوانتوم چیه.گرچه شیمی کوانتوم رو شنیده بودم اما هیچ ایده ای نداشتم راجع به چیه. حالا دیدم تقریبا همون موضوعی رو که در ذهنم بود بررسی می کنه. اما یک کابرد بسیار مهم که الان به ذهنم خطور کرد در داروها و تاثیرات دارویی و علوم زیستی خواهد بود.تحقیقات دارویی بسیار زمانبر و پر هزینه هستند و نحوه عملکرد حتی برخی داروهای حتی قدیمی بر سلولها و بدن که مطمئنا رفتارهای کوانتومی و تصادفی هم دارند به طور کامل کشف نشده و بعضا خیلی داروها بر اساس تحقیقات تجربی موثر شناخته شده اند نه روابط علل و معلولی. مطمئنم همین حال این شاخه داره در این زمینه هم کمک میکنه. میشه در کامپیوتر و به قولی روی کاغذ با محاسبات اماری و معادلاتی به ترکیبات شیمیایی و داروهایی رسید که هنوز در آزمایشگاه ساخته نشدن اما برای درمان بیماریها موثر باشند و سعی و خطا رو مرتفع کنه این روش. یعنی تولید در کامپیوتر پیش از آزمایشگاه. مطمئنم این کار رو دارن می کنن. چون سریعترین سوپر کامپیوترها امروزه در خدمت پروژه هایی اینچنین هستند و تاثیرات دارویی را دارند بررسی می کنن. با به خدمت گرفتن کامپیوترهای کوانتومی در این زمینه و علم ژنتیک ره صد ساله را یک شبه خواهیم رفت. مونت کارلو- هوش مصنوعی و-عصب شناسی زیستی – بهینه سازی – کوانتوم – آمار ریاضی – شبکه عصبی و الگوریتمهای زیستی بهینه سازی و پدیده برآمدگی مطمئنا ارتباط دارند و پیوند اینها پیوندهای مبارکی برای پیشرفت علم و بشر خواهند بود.