Tajemné dálkové účinky na stopě

Ještě stále převážně neprobádanou oblastí je využití umělé inteligence (AI) v tradičních vědách, jako jsou chemie, fyzika nebo matematika: výzkumníci z Berlínského institutu pro základy učení a dat (BIFOLD) na Technické univerzitě v Berlíně ve spolupráci s Google Research se nyní podařilo vyvinout algoritmus, který na základě kvantověmechanických dat dokáže s velkou přesností a efektivitou předpovědět potenciální energetický stav molekul.

To by mohlo otevřít zcela nové možnosti zejména pro materiálové vědce. Článek „SpookyNet: Learning Force Fields with Electronic Degrees of Freedom and Nonlocal Effects“ byl nyní publikován v časopise Nature Communications.

„Kvantová mechanika se mimo jiné zabývá chemickými a fyzikálními vlastnostmi molekuly na základě prostorového uspořádání jejich atomů. Chemická reakce zase vychází ze souhry mnoha molekul a je to vícerozměrný proces,“ vysvětluje spoluředitel BIFOLD prof. Dr. Klaus-Robert Müller. Předpovídat a modelovat jednotlivé kroky chemické reakce na úrovni molekul nebo dokonce atomů je dlouhodobým snem mnoha vědců v oboru materiálových věd. Klíčovou roli při reaktivitě molekul hraje takzvaná potenciální hyperpláň. Ta popisuje závislost energie atomů molekuly na geometrickém uspořádání jader. Znalost extrémně přesných potenciálních hyperplání molekul umožňuje simulovat pohyb jednotlivých atomů například během chemické reakce, což pomáhá lépe pochopit jejich dynamické kvantové vlastnosti a tím i přesně předpovědět průběh a výsledek reakcí.

„Představte si potenciální hyperpláň jako krajinu s horami a údolími. Podobně jako kulička, která se kutálí po miniaturizované verzi této krajiny, je pohyb atomů určen horami a údolími na hyperpláni: nazýváme to také molekulární dynamikou,“ vysvětluje Dr. Oliver Unke, výzkumník v Google Research v Berlíně.

Na rozdíl od mnoha jiných oblastí strojového učení, kde má AI často k dispozici téměř neomezené množství dat, jsou pro předpověď potenciálních hyperplání typicky dostupná jen malá množství kvantověmechanických referenčních dat, která je třeba generovat za pomoci obrovského výpočetního výkonu. „Tak může přesné matematické modelování molekulárně-dynamických vlastností na jedné straně ušetřit drahé a časově náročné laboratorní experimenty, ale na druhé straně vyžaduje neúměrně vysoké výpočetní nároky.“

„Doufáme, že náš nový hluboký učící algoritmus – tzv. transformer model, který poprvé zohledňuje i spin a náboj atomů – přinese nové poznatky v oblasti chemie, biologie a materiálových věd – při výrazně nižších výpočetních nárocích,“ říká Klaus-Robert Müller.

Pro dosažení zvlášť vysoké efektivity práce s daty kombinuje nový hluboký učící model výzkumníků AI s osvědčenými fyzikálními zákony. Některé aspekty potenciální hyperpláně lze velmi přesně popsat jednoduchými fyzikálními vzorci. Nová metoda se tak naučí pouze části hyperpláně, pro které není dostupný jednoduchý matematický popis. „Velmi praktické je, že AI musí naučit pouze to, co ještě neznáme z fyziky,“ vysvětluje Klaus-Robert Müller. Tím lze ušetřit výpočetní výkon.

Prostorové oddělení příčiny a následku

Další zvláštností je, že algoritmus dokáže popsat i nestacionární (nelokální) vzájemné působení. „Nestacionarita“ v tomto kontextu znamená, že změna na atomu, v určitém geometrickém uspořádání molekuly, může ovlivnit atomy na jiných, vzdálených místech molekuly. Kvůli prostorové oddělenosti příčiny a následku – Albert Einstein tomu říkal „duchovní dálkové účinky“ – jsou tyto vlastnosti kvantových systémů pro AI obzvlášť obtížné naučit se. Výzkumníci tento problém vyřešili pomocí tzv. transformeru, metody původně vyvinuté pro zpracování řeči, textů nebo i obrázků. „V textu je význam slova nebo věty často silně závislý na kontextu. Přitom relevantní kontextová informace může být v úplně jiném odstavci. V tomto smyslu není ani jazyk zcela lokalní,“ vysvětluje Klaus-Robert Müller souvislost. Pomocí takového transforméru mohou vědci rozlišit i různé elektronické stavy molekuly, například spin a náboj. „To je například důležité pro fyzikální procesy v solárních článcích, kde molekula absorbuje světlo a je tímto přeměněna do jiného elektronického stavu,“ dodává Oliver Unke.

Publikace:
Oliver T. Unke, Stefan Chmiela, Michael Gastegger, Kristof T. Schütt, Huziel E. Sauceda a Klaus-Robert Müller: „SpookyNet: Learning force fields with electronic degrees of freedom and nonlocal effects“, Nature Communications 12: 7273 (2021)