L'IA résout un problème de physique quantique pour la première fois, DeepMind calcule avec précision les états excités quantiques, répertoriés dans Science

Éditeur | KX

Auparavant, le réseau neuronal de fermions (FermiNet) développé par les chercheurs de Google DeepMind est très adapté à la modélisation de l'état fondamental quantique d'un grand nombre d'électrons.

FermiNet s'est initialement concentré sur l'état fondamental des molécules. Mais lorsque les molécules et les matériaux sont stimulés avec de grandes quantités d’énergie, par exemple par une exposition à la lumière ou à des températures élevées, les électrons peuvent être propulsés dans un état d’énergie plus élevé – un état excité.

Les états excités sont importants dans des domaines tels que la physique et la chimie ; cependant, les calculs évolutifs, précis et robustes des propriétés des états excités à partir des principes premiers se heurtent encore à d'importants défis théoriques.

Maintenant, les chercheurs de DeepMind ont développé une nouvelle méthode de calcul des états excités qui est plus puissante et plus polyvalente que les méthodes précédentes. La méthode peut être appliquée à tout type de modèle mathématique, y compris FermiNet et d'autres réseaux neuronaux.

La méthode proposée permet d'obtenir des calculs précis de l'état excité pour de nombreux atomes et molécules, est de loin supérieure aux méthodes existantes d'utilisation de l'apprentissage en profondeur pour calculer les propriétés de l'état excité (en particulier sur les systèmes plus grands) et peut être appliquée à divers systèmes quantiques.

David Pfau, premier auteur et auteur correspondant de l'article, a publié avec enthousiasme « C'est la première fois que l'apprentissage profond résout avec précision certains des problèmes les plus difficiles de la physique quantique. Nous espérons franchir une nouvelle étape vers la simulation quantique universelle. de l'apprentissage profond.

Lien papier : https://www.science.org/doi/abs/10.1126/science.adn0137

États excités moléculaires

Lorsque les molécules et les matériaux sont stimulés par de grandes quantités d'énergie, Par exemple, exposés à la lumière ou à des températures élevées, leurs électrons sont projetés dans une nouvelle structure temporaire appelée état excité.

La quantité exacte d'énergie absorbée et libérée par une molécule lors de sa transition entre les états crée une empreinte digitale unique pour différentes molécules et matériaux. Cela affecte les performances de technologies allant des panneaux solaires et LED aux semi-conducteurs et photocatalyseurs. Ils jouent également un rôle clé dans les processus biologiques impliquant la lumière, notamment la photosynthèse et la vision.

Cependant, ce type d'empreinte digitale est extrêmement difficile à modéliser car les électrons excités sont de nature quantique, ce qui signifie que leur position dans la molécule n'est jamais certaine et ne peut être représentée que par des probabilités.

FermiNet peut produire des énergies d'état fondamental très précises et, dans certains cas, à la pointe de la technologie, dans une gamme d'atomes et de petites molécules avec une variété de propriétés qualitatives de liaison aux positons.

Cependant, FermiNet s'est initialement concentré sur l'état fondamental des molécules. Mais lorsque les molécules et les matériaux sont stimulés avec de grandes quantités d’énergie, par exemple par une exposition à la lumière ou à des températures élevées, les électrons peuvent être propulsés dans un état d’énergie plus élevé – un état excité.

Calculer avec précision l'énergie de l'état excité est beaucoup plus difficile que calculer l'énergie de l'état fondamental. Même les méthodes de référence en matière de chimie de l’état fondamental, telles que les clusters couplés, montrent des erreurs décuplées dans les états excités. Alors que les chercheurs souhaitaient étendre leurs travaux sur FermiNet aux états excités, les méthodes existantes ne fonctionnaient pas suffisamment bien pour créer des réseaux neuronaux comparables aux méthodes de pointe.

Une nouvelle méthode plus puissante et polyvalente pour le calcul des états excités

DeepMind propose un algorithme pour estimer les états excités des systèmes quantiques via Monte Carlo variationnel. Cet algorithme n'a pas de paramètres libres et ne nécessite pas d'orthogonalisation des états, mais. transformer le problème en problème de recherche de l’état fondamental du système étendu. Des observables arbitraires peuvent être calculés, y compris des attentes hors diagonale telles que les moments dipolaires de transition.

Cette méthode est particulièrement adaptée à l'analyse des réseaux neuronaux. En combinant cette méthode avec FermiNet et Psiformer ansatz, il est possible de récupérer avec précision les énergies d'excitation et les forces d'oscillateur d'une série de molécules.

Illustration : Énergies d'état excité de la première rangée d'atomes du lithium au néon. Résultats de NES-VMC appliqués à FermiNet. (Source : article)

Les chercheurs ont combiné la flexibilité des réseaux neuronaux et la perspicacité mathématique, leur permettant de transformer le problème de la recherche de l'état excité d'un système en le problème de la recherche de l'état fondamental d'un système étendu, qui peut ensuite être résolu en utilisant la VMC standard. Cette méthode est appelée VMC à état naturellement excité (NES-VMC).

L'indépendance linéaire des états excités est automatiquement imposée via la forme fonctionnelle d'ansatz. L'énergie et les autres observables de chaque état excité sont obtenus en diagonalisant la matrice des valeurs d'espérance hamiltonienne sur la réponse singulet, et ces observables peuvent être accumulées sans frais supplémentaires.

至关重要的是，这种方法没有可调整的自由参数，也不需要惩罚项来强制正交化。研究人员使用两种不同的神经网络架构（FermiNet 和 Psiformer）检验了这种方法的准确性。

从单个原子到苯

研究人员在从单个原子到苯大小的分子的基准系统上测试了其方法。验证了 NES-VMC 在第一行（first-row）原子上的准确性，与实验结果非常接近，并且在一系列小分子上，得到了与现有最佳理论估计相当的高精度能量和振荡器强度。

图示：碳二聚体的激发态。（来源：论文）

在一种名为碳二聚体的小而复杂的分子上，实现了 4 meV 的平均绝对误差 (MAE)，这比以前的黄金标准计算准确度高出五倍。

图示：乙烯的激发态和圆锥交叉点。（来源：论文）

在乙烯的情况下，NES-VMC 正确描述了扭曲分子的圆锥交叉点，并且与高精度多参考组态相互作用 (MR-CI) 结果高度一致。

图示：较大双激发系统的激发态。（来源：论文）

研究还考虑了五个具有低位双激发的具有挑战性的系统，包括多个苯级分子。在所有方法在垂直激发能量上具有良好一致性的系统中，Psiformer 在各个状态下都具有化学准确性，包括丁二烯，其中某些状态的排序也已存在数十年的争议。

对于四嗪和环戊二烯酮，几年前最先进的计算已知是不准确的，NES-VMC 结果与最近复杂的扩散蒙特卡罗 (DMC) 和完全活性空间三阶微扰理论 (CASPT3) 计算非常接近。

图示：苯的激发态。（来源：论文）

最后，还研究了苯分子，其中 NES-VMC 与 Psiformer ansatz 相结合与其他方法（包括使用惩罚方法的神经网络 ansätze）相比，与理论最佳估计值具有更好的一致性。这既验证了所提方法的数学正确性，也表明神经网络可以在当前计算方法的极限下准确地表示分子的激发态。

未来如何应用于多体量子力学

NES-VMC 是一种无参数且数学上合理的激发态变分原理。将其与神经网络 ansätze 相结合，可以在广泛的基准问题中获得显著的准确性。

量子系统激发态的精确 VMC 方法开辟了许多可能性，并大大扩展了神经网络波函数的应用范围。

虽然该研究只考虑了分子系统的电子激发和神经网络 ansätze，但 NES-VMC 适用于任何量子汉密尔顿量和任何 ansatz，从而可以进行精确的计算研究，从而可以提高科学家对振动电子耦合、光学带隙、核物理和其他具有挑战性的问题的理解。

研究人员表示：「我们很期待，NES-VMC 和深度神经网络未来将如何应用于多体量子力学中最具挑战性的问题。」

参考内容：

https://x.com/pfau/status/1826681648597135464

https://deepmind.google/discover/blog/ferminet-quantum-physics-and-chemistry-from-first-principles/

https://www.imperial.ac.uk/news/255673/ai-tackles-most-difficult-challenges-quantum/

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!