Une équipe de scientifiques de la Freie Universität Berlin a développé une méthode d'intelligence artificielle (IA) pour calculer l'état fondamental de l'équation de Schrödinger en chimie quantique. Le but de la chimie quantique est de prédire les propriétés chimiques et physiques des molécules en se basant uniquement sur la disposition de leurs atomes dans l'espace, évitant le besoin d'expériences de laboratoire gourmandes en ressources et en temps. En principe, ceci peut être réalisé en résolvant l'équation de Schrödinger, mais en pratique c'est extrêmement difficile.

Jusqu'à maintenant, il a été impossible de trouver une solution exacte pour des molécules arbitraires pouvant être calculées efficacement. Mais l'équipe de la Freie Universität a développé une méthode d'apprentissage en profondeur qui peut atteindre une combinaison sans précédent de précision et d'efficacité de calcul. L'IA a transformé de nombreux domaines technologiques et scientifiques, de la vision par ordinateur à la science des matériaux. "Nous pensons que notre approche peut avoir un impact significatif sur l'avenir de la chimie quantique, " dit le professeur Frank Noé, qui a dirigé l'effort de l'équipe. Les résultats ont été publiés dans la revue réputée Chimie de la nature .

Au cœur de la chimie quantique et de l'équation de Schrödinger se trouve la fonction d'onde, un objet mathématique qui spécifie complètement le comportement des électrons dans une molécule. La fonction d'onde est une entité de grande dimension, et il est donc extrêmement difficile de saisir toutes les nuances qui codent la façon dont les électrons individuels s'affectent les uns les autres. De nombreuses méthodes de la chimie quantique renoncent en fait à exprimer complètement la fonction d'onde, au lieu de cela en essayant seulement de déterminer l'énergie d'une molécule donnée. Cela nécessite cependant des approximations, limitant la qualité de prédiction de telles méthodes.

D'autres méthodes représentent la fonction d'onde avec l'utilisation d'un nombre immense de blocs de construction mathématiques simples, mais de telles méthodes sont si complexes qu'elles sont impossibles à mettre en pratique pour plus d'une poignée d'atomes. "Échapper au compromis habituel entre précision et coût de calcul est la plus grande réussite de la chimie quantique, " explique le Dr Jan Hermann de la Freie Universität Berlin, qui a conçu les principales caractéristiques de la méthode dans l'étude. "Jusqu'à présent, la plus populaire de ces valeurs aberrantes est la théorie fonctionnelle de la densité extrêmement rentable. Nous croyons que le profond 'Quantum Monte Carlo, ' l'approche que nous proposons, pourrait être également, sinon plus réussi. Il offre une précision sans précédent à un coût de calcul encore acceptable."

Le réseau de neurones profonds conçu par l'équipe du professeur Noé est une nouvelle façon de représenter les fonctions d'onde des électrons. "Au lieu de l'approche standard consistant à composer la fonction d'onde à partir de composants mathématiques relativement simples, nous avons conçu un réseau de neurones artificiels capable d'apprendre les schémas complexes de localisation des électrons autour des noyaux, " explique Noé. " Une particularité des fonctions d'onde électroniques est leur antisymétrie. Lorsque deux électrons sont échangés, la fonction d'onde doit changer de signe. Nous avons dû intégrer cette propriété dans l'architecture du réseau de neurones pour que l'approche fonctionne, " ajoute Hermann. Cette fonctionnalité, connu sous le nom de 'principe d'exclusion de Pauli, C'est pourquoi les auteurs ont appelé leur méthode "PauliNet".

Outre le principe d'exclusion de Pauli, les fonctions d'onde électroniques ont également d'autres propriétés physiques fondamentales, et une grande partie du succès innovant de PauliNet est qu'il intègre ces propriétés dans le réseau de neurones profonds, plutôt que de laisser le deep learning les comprendre en observant simplement les données. "L'intégration de la physique fondamentale dans l'IA est essentielle pour sa capacité à faire des prédictions significatives sur le terrain, " dit Noé. " C'est vraiment là que les scientifiques peuvent apporter une contribution substantielle à l'IA, et exactement ce sur quoi mon groupe se concentre."

Il reste encore de nombreux défis à relever avant que la méthode d'Hermann et Noé ne soit prête pour une application industrielle. « Cela reste de la recherche fondamentale, " les auteurs sont d'accord, "mais c'est une nouvelle approche d'un problème séculaire dans les sciences moléculaires et matérielles, et nous sommes enthousiasmés par les possibilités que cela ouvre."