Sztuczna inteligencja na ścieżkach Schrödingera

Sztuczna inteligencja (SI) i algorytmy uczenia maszynowego są dziś rutynowo wykorzystywane do przewidywania naszego zachowania zakupowego, proponowania tras podróży lub rozpoznawania obrazów i twarzy. W badaniach SI właśnie staje się kluczowym narzędziem wspierającym odkrycia naukowe. Na przykład coraz częściej wykorzystywana jest w chemii do przewidywania wyników eksperymentów lub symulacji. Aby to osiągnąć, SI musi umieć systematycznie uwzględniać podstawowe prawa fizyki. Interdyscyplinarny zespół naukowców z Uniwersytetu Warwick, TU Berlin i Uniwersytetu Luksemburga opracował algorytm SI, który między innymi pozwala na określenie niezbędnej struktury na podstawie pożądanych właściwości chemicznych substancji. Umiejętność ta może odgrywać szczególnie ważną rolę w rozwoju nowych leków i materiałów.

Algorytm opracowany przez chemików, fizyków i informatyków potrafi obliczyć stan kwantowy cząsteczki, tzw. funkcję falową, która determinuje wszystkie właściwości tej cząsteczki. W tym celu SI musiała nauczyć się rozumieć podstawowe prawa fizyki i rozwiązywać równania mechaniki kwantowej — na przykład równanie Schrödingera. Praca zatytułowana „Unifying machine learning and quantum chemistry with a deep neural network for molecular wavefunction” została właśnie opublikowana w „Nature Communications”.

Rozwiązanie tych i podobnych równań w tradycyjny sposób wymaga ogromnych mocy obliczeniowych i przede wszystkim miesięcy pracy komputerów. „To właśnie tutaj zwykle pojawia się wąskie gardło w rozwoju nowych, specjalnie zaprojektowanych do zastosowań medycznych i przemysłowych cząsteczek” — mówi prof. dr Klaus-Robert Müller, profesor uczenia maszynowego na TU Berlin. Nowo opracowany algorytm może natomiast na laptopie lub telefonie komórkowym dostarczyć dokładne prognozy w ciągu kilku sekund.

„Publikacja jest wynikiem trzyletnich wspólnych wysiłków i wymagała wiedzy z zakresu informatyki, aby opracować algorytm na tyle elastyczny, by mógł uchwycić kształt i zachowanie funkcji falowych, ale także wiedzy z chemii i fizyki, aby przetwarzać i przedstawiać dane kwantochemiczne” — mówi dr Reinhard Maurer z Wydziału Chemii Uniwersytetu Warwick.

Klaus-Robert Müller dodaje: „Ta interdyscyplinarna praca jest ważnym krokiem naprzód, ponieważ pokazuje, że metody SI mogą nauczyć się najtrudniejszych aspektów symulacji kwantochemicznych. Do tego należy również tzw. odwrotne projektowanie, które jest od lat marzeniem farmakologii i chemii w zakresie produkcji leków.” Odwrotne projektowanie polega na tym, że ustala się określoną właściwość chemiczną cząsteczki, a na podstawie tych wytycznych projektuje i optymalizuje się odpowiednią strukturę molekularną. Zespół uważa, że metody SI będą się w przyszłości dalej rozwijać jako istotny element chemii komputerowej i fizyki molekularnej, umożliwiając również trwałe zastosowanie odwrotnego projektowania molekularnego.

„Ta praca otwiera nowy poziom projektowania leków, w którym można łączyć zarówno właściwości elektroniczne, jak i strukturalne cząsteczki, aby osiągnąć pożądane kryteria zastosowania” — mówi profesor dr Alexandre Tkatchenko z Wydziału Fizyki Uniwersytetu Luksemburga.

Publikacja:

„Unifying machine learning and quantum chemistry with a deep neural network for molecular wavefunction” https://www.nature.com/articles/s41467-019-12875-2

Więcej informacji chętnie udzieli:

Prof. dr Klaus-Robert Müller
TU Berlin
Wydział Uczenia Maszynowego
Tel.: 030 314-78620
E-mail: klaus-robert.mueller@tu-berlin.de