به گزارش کارگروه فناوری اطلاعات سایبربان؛ محققان دانشگاه فرای (Freie Universität) برلین، یک روش هوش مصنوعی برای محاسبه حالت پایه معادله شرودینگر توسعه دادند. معادله شرودینگر یکی از مسائل اساسی در شیمی کوانتوم است. هدف از شیمی کوانتوم پیش‌بینی خصوصیات شیمیایی و فیزیکی مولکول‌ها کاملاً براساس ترتیب اتم‌های آنها در فضا است.
در صورت موفقیت این کار، دیگر نیازی به آزمایش‌های آزمایشگاهی پرهزینه و وقت‌گیر نیست. در اصل، حل معادله شرودینگر امکان پیش‌بینی خصوصیات مولکول‌ها را براساس ترتیب اتم‌های آنها در فضا فراهم می‌کند. با این حال، حل معادله بسیار دشوار است. محققان اعلام کردند که یافتن یک راه‌حل دقیق برای مولکول‌های دلخواه که بتواند به طور کارآمد محاسبه شود، غیرممکن است.
محققان آلمانی یک روش یادگیری عمیق را برای دستیابی به ترکیبی از دقت و کارایی محاسباتی توسعه دادند که بی‌سابقه است. یکی از محققان این پروژه گفت که تیم تحقیقاتی معتقد است که رویکرد آنها می‌تواند به طور قابل توجهی بر آینده شیمی کوانتوم تأثیر بگذارد. به‌طور کلی، یکی از اصول اصلی معادله شرودینگر و شیمی کوانتوم، تابع موج است. ما به عنوان یک مسئله ریاضی عمل می‌کنیم که رفتار الکترون‌های یک مولکول را کاملاً مشخص می‌کند.
چالش این است که عملکرد موج، سازه‌ای با ابعاد بالا است و گرفتن همه تفاوت‌های ظریف رمزگذاری کننده الکترون‌های منفرد و چگونگی تأثیر آنها بر یکدیگر بسیار دشوار است. شبکه عصبی عمیق توسعه داده شده از سوی محققان، روش جدیدی برای نمایش توابع موج الکترون است. تیم تحقیقاتی خاطرنشان کرد که به جای روش استاندارد برای ایجاد تابع موج از اجزای نسبتاً ساده ریاضی، شبکه عصبی مصنوعی می‌تواند الگوهای پیچیده نحوه قرارگیری الکترون‌ها در اطراف هسته را بیاموزد.
این تیم اظهار داشت که ویژگی عجیب توابع موج الکترونیکی عدم تقارن زیاد است. وقتی 2 الکترون عوض می‌شوند، توابع موج باید علامت خود را تغییر دهند. تیم تحقیقات مجبور شد این ویژگی را در معماری شبکه عصبی بسازد. این ویژگی‌ها به عنوان اصل حذف پاولی (Pauli) شناخته می‌شوند و به همین دلیل شبکه عصبی «PauliNet» نامیده شد. تحقیقات در مورد شبکه عصبی ادامه دارد.
