Ślady duchowych efektów na odległość

Jeszcze w dużej mierze nieznane są zastosowania sztucznej inteligencji (SI) w klasycznych naukach, takich jak chemia, fizyka czy matematyka: badacze z Berlin Institute for the Foundation of Learning and Data (BIFOLD) na TU Berlin we współpracy z Google Research udało się opracować algorytm, który na podstawie danych kwantowo-mechanicznych potrafi z dużą dokładnością i efektywnością przewidywać potencjalny stan energetyczny cząsteczek.

Może to otworzyć zupełnie nowe możliwości szczególnie dla naukowców zajmujących się materiałami. Artykuł „SpookyNet: Learning Force Fields with Electronic Degrees of Freedom and Nonlocal Effects” został właśnie opublikowany w Nature Communications.

„Mechanika kwantowa zajmuje się między innymi właściwościami chemicznymi i fizycznymi cząsteczki na podstawie przestrzennej konfiguracji jej atomów. Reakcja chemiczna z kolei opiera się na współdziałaniu wielu cząsteczek i jest procesem wielowymiarowym”, wyjaśnia współdyrektor BIFOLD, prof. dr Klaus-Robert Müller. Przewidywanie i modelowanie poszczególnych etapów reakcji chemicznej na poziomie cząsteczek, a nawet atomów, jest długo pielęgnowanym marzeniem wielu naukowców zajmujących się materiałami. Kluczową rolę w zdolności reakcyjnej cząsteczek odgrywa tzw. hiperpowierzchnia potencjału. Opisuje ona zależność energii atomów cząsteczki od geometrycznego ułożenia jąder atomowych. Znajomość ultradokładnych hiperpowierzchni potencjału cząsteczek pozwala symulować ruch pojedynczych atomów, na przykład podczas reakcji chemicznej, aby lepiej zrozumieć ich dynamiczne właściwości kwantowo-mechaniczne i tym samym dokładniej przewidzieć przebieg i wynik reakcji.

„Można wyobrazić sobie hiperpowierzchnię potencjału jak krajobraz z górami i dolinami. Podobnie jak kulka, która toczy się po miniaturowej wersji tego krajobrazu, ruch atomów jest determinowany przez góry i doliny na hiperpowierzchni potencjału: nazywa się to również dynamiką molekularną”, wyjaśnia dr Oliver Unke, badacz z Google Research w Berlinie.

W przeciwieństwie do wielu innych zastosowań uczenia maszynowego, w których SI ma dostęp do niemal nieograniczonych ilości danych, do przewidywania hiperpowierzchni potencjału zazwyczaj dostępnych jest tylko kilka danych referencyjnych kwantowo-mechanicznych, które muszą być generowane przy użyciu ogromnej mocy obliczeniowej. „Tak więc dokładne matematyczne modelowanie właściwości dynamiki molekularnej może z jednej strony oszczędzić kosztowne i czasochłonne eksperymenty laboratoryjne, ale z drugiej wymaga niewspółmiernie dużej mocy obliczeniowej.”

„Mamy nadzieję, że nasz nowatorski algorytm głębokiego uczenia – tzw. model Transformer, który po raz pierwszy uwzględnia spin i ładunek atomów – doprowadzi do nowych odkryć w dziedzinie chemii, biologii i nauk o materiałach – przy znacznie mniejszym zużyciu mocy obliczeniowej”, mówi Klaus-Robert Müller.

Aby osiągnąć szczególnie wysoką efektywność danych, nowy model głębokiego uczenia łączy SI z znanymi prawami fizyki. Niektóre aspekty hiperpowierzchni potencjału można opisać bardzo dokładnie za pomocą prostych wzorów fizycznych. Nowa metoda uczy się więc tylko tych części hiperpowierzchni potencjału, dla których nie istnieje proste matematyczne opisanie. „Bardzo praktyczne: SI musi nauczyć się tylko tego, czego jeszcze nie można wyjaśnić fizyką”, wyjaśnia Klaus-Robert Müller. Dzięki temu można zaoszczędzić moc obliczeniową.

Przestrzenne oddzielenie przyczyny i skutku

Kolejną cechą wyróżniającą jest to, że algorytm potrafi opisać również nielokalne oddziaływania. „Nielokalność” oznacza w tym kontekście, że zmiana w atomie, w określonej pozycji geometrycznej cząsteczki, może mieć wpływ na atomy w odległej, przestrzennej pozycji cząsteczki. Ze względu na przestrzenne oddzielenie przyczyny i skutku – Albert Einstein mówił o „duchowych oddziaływaniach na odległość” – te właściwości systemów kwantowych są szczególnie trudne do nauczenia dla SI. Badacze rozwiązali ten problem za pomocą tzw. transformera, metody pierwotnie opracowanej do przetwarzania języka, tekstów czy obrazów. „W tekście znaczenie słowa lub zdania często zależy od kontekstu, który może znajdować się w zupełnie innym fragmencie tekstu. W tym sensie język też jest w pewnym stopniu nielokalny”, wyjaśnia Klaus-Robert Müller. Dzięki takiemu transformerowi naukowcy mogą również rozróżniać różne stany elektronowe cząsteczki, takie jak spin i ładunek. „To jest na przykład istotne dla procesów fizycznych w ogniwach słonecznych, gdzie cząsteczka pochłania światło i przechodzi w inny stan elektronowy”, dodaje Oliver Unke.

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