새로운 연구는 한계를 극복하는 데 있어 신경망을 능가하는 양자 몬테카를로의 잠재력을 밝혔으며, Nature 하위 이슈에서는 최신 진행 상황을 자세히 설명합니다.

4개월 후, ByteDance Research와 Peking University 물리학과 Chen Ji 연구 그룹의 또 다른 공동 작업이 최고의 국제 간행물에 게재되었습니다. Nature Communications: "Towards the ground state of Molecular via Diffusion Monte Carlo"라는 논문 on Neural Networks 》신경망과 확산 몬테카를로 방법을 결합하면 양자화학 관련 작업에서 신경망 방법의 계산 정확도, 효율성 및 시스템 규모가 크게 향상되어 최신 SOTA가 됩니다.

• 문서 링크:
  ​​https://www.nature.com/articles/s41467-023-37609-3​
• 코드 주소:
  ​​https://github.com/bytedance/jaqmc​

Introduction

저자는 고정 노드 표면의 확산 몬테카를로 방법에 신경망 기반 시험 파동 함수를 적용합니다. (Diffusion Monte Carlo 또는 DMC)는 다양한 전자 특성을 가진 원자 및 분자 시스템을 정확하게 계산하는 데 사용됩니다.

확산 몬테카를로법은 분자와 물질의 바닥 상태 에너지를 정확하게 계산하기 위해 양자화학 분야에서 일반적으로 사용되는 방법 중 하나입니다. 저자들은 이를 확산 몬테카를로 방법과 결합하여 양자화학에서 신경망 SOTA 방법의 계산 정확도와 효율성을 크게 향상시켰습니다. 또한 저자는 경험적 선형 관계를 기반으로 한 외삽법도 제안했는데, 이는 분자 결합 에너지 계산을 크게 향상시켰습니다. 전반적으로, 이 계산 프레임워크는 양자 다체 문제를 해결하기 위한 고정밀 방법 역할을 하며, 화학 분자의 특성을 심층적으로 이해할 수 있는 보다 강력한 도구를 제공합니다.

신경망 기반 양자 몬테카를로 방법

2018년부터 여러 연구 그룹에서 변형 몬테카를로 방법(Variational Monte Carlo, 또는 VMC)에 신경망을 적용했습니다[1,2,3]. 신경망의 강력한 표현 능력의 도움으로 보다 정확한 분자 기저 상태 에너지를 얻을 수 있습니다. 본 연구가 2022년에 발표되었을 당시, 신경망 기반의 Variational Monte Carlo 방식의 SOTA 작업은 2019년 DeepMind가 제안한 FermiNet[2]으로, 더 작은 규모의 시스템에서도 매우 정확한 결과를 얻을 수 있었습니다. 그러나 변형 몬테카를로 방법의 정확성은 신경망의 표현 능력에 의해 제한되며, 대규모 시스템을 다룰 때 점점 더 명백한 정확성 문제가 발생할 것입니다. 또한 이러한 유형의 방법은 대규모 시스템을 처리할 때 매우 느리게 수렴되므로 컴퓨팅 리소스에 큰 문제를 야기합니다.

양자화학 분야의 고전적인 고정밀 알고리즘 중 하나로 확산 몬테카를로법은 높은 정확성, 우수한 병렬성 등의 좋은 특성을 가지며 대규모 계산에 적합합니다. 또한 확산 몬테카를로(Diffusion Monte Carlo)는 신경망 표현 능력의 한계를 극복하고 투영 알고리즘을 사용하여 변이 몬테카를로 방법의 정확도를 뛰어넘을 수 있습니다.

이 작업에서 저자는 SOTA의 신경망(FermiNet)을 시험 파동 함수로 확산 몬테 카를로 방법과 결합합니다. 새로운 계산 방법은 FermiNet에 비해 정확도를 크게 향상시키고 필요한 계산 단계 수를 줄입니다. 이 작업에서 설계 및 구현된 확산 몬테카를로 소프트웨어는 신경망 친화적, GPU 친화적, 병렬 친화적입니다. 광범위한 신경망 파동 기능과 결합하여 정확도와 효율성을 자동으로 향상시킬 수 있습니다.

계산 결과

1. Atoms​

대규모 분자계에서 양자 몬테카를로 계산을 하기 위해 신경망을 사용하는 경우, 컴퓨팅 파워의 한계로 인해 신경망의 표현 능력이 사용도 제한됩니다. 특정 제한사항. 이 시나리오를 시뮬레이션하기 위해 저자는 두 개의 신경망 계층만 ​​사용하여 두 번째와 세 번째 행의 원자를 연구했습니다. 계산 결과는 시스템이 커질수록 변형 몬테카를로 방법의 정확도가 점점 더 나빠지는 반면, 확산 몬테카를로 방법에 의한 정확도 향상은 점점 더 분명해짐을 보여줍니다.

2. 분자​

저자는 또한 질소 분자, 시클로부타디엔, 이중 물 분자를 포함한 일련의 분자 시스템에서 신경망 기반 확산 몬테카를로 방법의 유효성을 검증했습니다. 테스트한 모든 시스템에서 계산 정확도가 크게 향상되었습니다.

3. 벤젠 고리와 디페닐 고리 ​

이 작품이 출판되기 전에는 양자화학 분야에서 변이형 몬테카를로를 기반으로 한 신경망 파동 함수 방법은 30개 정도만 다루었습니다. 전자 이하 소분자. 이 연구는 처음으로 42~84개의 전자를 가진 시스템, 즉 벤젠 고리와 비페닐 고리에 신경망 파동 함수 방법을 적용했습니다. 계산 결과는 확산 몬테카를로 방법이 변형 몬테카를로 방법보다 정확도가 훨씬 우수하며, 한 자릿수 더 적은 계산 단계로 동일하거나 더 나은 정확도를 달성할 수 있음을 보여줍니다.

4. 선형 관계 및 외삽 방법​

저자가 신경망의 다양한 훈련 단계에 해당하는 에너지를 조사한 결과 여러 시스템에서 변형이 발견되었습니다. 몬테카를로와 확산의 결과 몬테카를로에는 경험적인 선형 관계가 있습니다(아래 왼쪽 그림). 이 선형 관계를 사용하여 비페닐 고리의 해리 에너지 계산을 추정하면 계산 정확도가 크게 향상되고 화학 실험과 일치하는 결과를 얻을 수 있습니다(아래 오른쪽 그림).

결론 및 전망

이 연구는 신경망을 기반으로 한 확산 몬테카를로 방법이 변형 몬테카를로 방법보다 정확성과 효율성 모두에서 우수하다는 것을 보여줍니다. 저자의 오픈 소스 확산 몬테 카를로 코드는 양자 화학 분야의 끊임없이 혁신적인 신경망[4,5]과 빠르게 결합되어 연구 커뮤니티에 힘을 실어줄 수 있습니다. 또한, 확산 몬테 카를로 방법은 실제 고체를 다루는 주기 신경망[6] 및 유사 전위 신경망[7]과 같은 일련의 방법과 결합하여 해당 작업에 대한 컴퓨팅 효과를 향상시킬 수도 있습니다.

위 내용은 새로운 연구는 한계를 극복하는 데 있어 신경망을 능가하는 양자 몬테카를로의 잠재력을 밝혔으며, Nature 하위 이슈에서는 최신 진행 상황을 자세히 설명합니다.의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!