La première fonction d'onde de réseau neuronal de l'industrie adaptée aux systèmes solides a été publiée dans la sous-journal Nature

​L'apprentissage automatique peut traiter d'énormes quantités de données, résoudre des problèmes scientifiques dans des scénarios complexes et mener l'exploration scientifique vers de nouveaux domaines auparavant inaccessibles. Par exemple, DeepMind utilise le logiciel d'intelligence artificielle AlphaFold pour faire des prédictions très précises de presque toutes les structures protéiques connues de la communauté scientifique ; la méthode de vélocimétrie par image de particules (PIV) basée sur l'apprentissage profond proposée par Christian Lagemann a grandement amélioré le réglage original purement manuel. de paramètres. Le champ d’application du modèle revêt une importance vitale pour la recherche dans de nombreux domaines tels que l’automobile, l’aérospatiale et le génie biomédical.

AlphaFold peut prédire la structure de presque toutes les protéines connues (Source : DeepMind)

Il existe suffisamment de données et un modèle précis pour décrire les problèmes scientifiques à résoudre, de nombreuses sciences fondamentales" "Un siècle "un vieux mystère" peut tous être résolus par l'apprentissage automatique. Comme la mécanique des fluides, la physique de la matière condensée, la chimie organique, etc.

Récemment, le travail "Calcul ab initio de solides réels via un réseau neuronal ansatz" de l'équipe de recherche du ByteDance AI Lab et du groupe de recherche de Chen Ji à l'École de physique de l'Université de Pékin a donné une nouvelle idée pour étudier la physique de la matière condensée. Les travaux proposés ont permis de développer la première fonction d'onde de réseau neuronal de l'industrie adaptée aux systèmes solides, de réaliser des calculs de principes fondamentaux pour les solides et de pousser les résultats des calculs jusqu'à la limite thermodynamique. Cela prouve clairement que les réseaux de neurones sont des outils efficaces pour étudier la physique du solide, et indique également que la technologie d'apprentissage profond jouera un rôle de plus en plus important dans la physique de la matière condensée. Les résultats de recherche pertinents ont été publiés dans la principale revue internationale Nature Communication le 22 décembre 2022. L'équation de Schrödinger pour les systèmes solides est précisément résolu L'un des Saint Graal de la physique de la matière condensée. Dans la recherche sur la matière condensée au cours des dernières décennies, la théorie de la fonctionnelle de la densité a été largement adoptée avec beaucoup de succès.

Théorie fonctionnelle de la densité : Une méthode de mécanique quantique pour étudier la structure électronique des systèmes multi-électrons.

Malgré cela, la théorie fonctionnelle de la densité présente encore de nombreuses lacunes : pour les systèmes complexes fortement corrélés, la théorie fonctionnelle de la densité ne peut pas donner une description précise ; Ces dernières années, par rapport à la théorie fonctionnelle de la densité, la méthode de la fonction d'onde, plus précise et universelle, a fait l'objet de plus en plus d'attention et de recherches.

Face à cette situation, l'équipe de recherche du ByteDance AI Lab et le groupe de recherche de Chen Ji à l'École de physique de l'Université de Pékin ont conçu une fonction d'onde de réseau neuronal périodique adaptée aux systèmes solides et l'ont combinée avec la méthode quantique de Monte Carlo. pour réaliser les calculs des premiers principes pour les systèmes solides. Dans ce travail, la technologie d’apprentissage profond a été appliquée pour la première fois à l’étude de systèmes solides dans un espace continu, poussant les calculs jusqu’à la limite thermodynamique.

Le cœur de ce travail est de combiner le vecteur propre du système généralisé périodique avec la fonction d'onde du réseau neuronal moléculaire existant pour construire une fonction d'onde du système solide avec une symétrie périodique et une antisymétrie complète. Les travaux ont ensuite appliqué les méthodes quantiques de Monte Carlo pour entraîner efficacement les réseaux neuronaux et les ont testés sur une gamme de solides réels.

Résultats expérimentaux et analyses

Tout d'abord, l'auteur a testé sur une chaîne d'hydrogène périodique unidimensionnelle. La chaîne d’hydrogène unidimensionnelle est l’un des systèmes les plus classiques de la matière condensée, et sa solution précise aide les gens à comprendre les caractéristiques des systèmes fortement corrélés. Les résultats du calcul montrent que le réseau neuronal peut atteindre une précision similaire aux méthodes traditionnelles de haute précision (telles que le champ auxiliaire Monte Carlo).

Ensuite, l'auteur a utilisé des réseaux de neurones pour calculer le matériau graphène bidimensionnel. Le graphène a été un matériau de recherche très prisé au cours des deux dernières décennies. Ses propriétés uniques en matière de conductivité thermique, de conductivité électrique et d'autres aspects ont une valeur importante en matière de recherche et d'application. Ce travail a calculé avec précision l'énergie de cohésion du graphène et les résultats du calcul étaient cohérents avec les données expérimentales.

Afin de vérifier davantage l'efficacité des travaux, l'auteur a calculé le matériau tridimensionnel lithium-hydrogène et a poussé l'échelle de calcul jusqu'à la limite thermodynamique. L'échelle de calcul maximale a atteint 108 électrons, ce que représentent les réseaux de neurones. ont été capables de faire jusqu'à présent des systèmes solides maximaux simulés. L'énergie de cohésion et le module de volume calculés du matériau sont cohérents avec les résultats expérimentaux.

Enfin, l’auteur étudie le système gazeux d’électrons uniforme, théoriquement plus intéressant. Le système de gaz électronique uniforme est étroitement lié à de nombreux effets physiques nouveaux (tels que l'effet Hall quantique), de sorte qu'une compréhension approfondie du gaz électronique uniforme a une valeur théorique importante. Les résultats du calcul montrent que le réseau neuronal obtient de bons résultats sur un gaz d'électrons uniforme, approchant voire dépassant les résultats de nombreuses méthodes traditionnelles de haute précision.

Ces travaux prouvent clairement que les réseaux de neurones sont des outils efficaces pour étudier la physique du solide. Avec l'amélioration continue de l'algorithme, la technologie des réseaux neuronaux jouera un rôle plus important dans la physique de la matière condensée : comme les changements de phase des systèmes solides, la physique des surfaces, les supraconducteurs non conventionnels, etc. La recherche sur ces sujets nécessite comme pierre angulaire des fonctions d’onde solide de haute précision. Dans le même temps, l’auteur travaille également à la recherche de fonctions d’onde de réseau neuronal plus efficaces afin d’offrir davantage de possibilités pour l’étude de la physique de la matière condensée.

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!