تیمی از دانشمندان دانشگاه «آزاد برلین» موفق به توسعه یک روش مبتنی بر هوش مصنوعی برای محاسبه حالت پایه «معادله شرودینگر» در شیمی کوانتومی شدند.
هدف از شیمی کوانتومی، پیش‌بینی خصوصیات شیمیایی و فیزیکی مولکول‌ها فقط بر اساس ترتیب چیدمان اتم‌های آن‌ها در فضا است تا دیگر نیازی به آزمایش‌های آزمایشگاه زمانبر و نیازمند منابع زیاد نباشد. چنین دستاوردی با حل معادله شرودینگر قابل دستیابی است، اما در دنیای واقعی چنین کاری بسیار سخت است.
تا به امروز پیدا کردن یک راه دقیق برای محاسبه کارآمد این خصوصیات مولکول‌ها راه به جایی نبرده بود ولی حالا تیمی از پژوهشگران دانشگاه آزاد برلین یک روش مبتنی بر یادگیری عمیق را توسعه داده‌اند که می‌تواند ترکیبی بی‌سابقه از دقت و کارایی محاسباتی ارائه دهد.
در معادله شرودینگر و شیمی کوانتومی، «تابع موج» از اهمیت بالایی برخوردار است. تابع موج یک جسم ریاضی است که رفتار الکترون‌ها در مولکول‌ها را کاملا مشخص می‌کند. تابع موج چند بعدی است، بنابراین دستیابی به تمام تفاوت‌های ظریف که نحوه تاثیر الکترون‌ها روی یکدیگر را مشخص می‌کند، فرایندی دشوار محسوب می‌شود.
تا به امروز بسیاری از روش‌های شیمی کوانتومی از بیان تابع موج منصرف شده‌اند و بجای آن به دنبال تعیین انرژی یک مولکول مشخص رفته‌اند. در این روش به تقریب‌ها نیاز داریم که تاثیر مخربی روی کیفیت پیش‌بینی‌ها دارند.
روش‌های دیگر تابع موج را با استفاده از شمار بالایی بلوک‌های ساختمانی ساده ریاضی نمایش می‌دهند، اما این رویکردها هم بسیار پیچیده هستند و تنها می‌توان از آن‌ها برای شمار کمی از اتم‌ها استفاده کرد. حالا تیم دانشگاه آزاد برلین یک شبکه عصبی عمیق طراحی کرده که تابع موج الکترون‌ها را به روش جدیدی نمایش می‌دهد.
پرفسور «Noé» از دانشگاه آزاد برلین می‌گوید:
«بجای رویکرد استاندارد ترکیب تابع موج اجزای ریاضی نسبتا ساده، یک شبکه عصبی مصنوعی طراحی کردیم که می‌تواند الگوهای پیچیده نحوه قرارگیری الکترون‌ها در اطراف هسته را یاد بگیرد. یکی از ویژگی‌های خاص و عجیب تابع موج الکترون‌ها، عدم تقارن آن‌ها است. زمانی که دو الکترون رد و بدل می‌شوند، تابع موج باید نشانه خود را تغییر دهد. ما مجبور شدیم این خاصیت را درون معماری شبکه عصبی خود قرار دهیم تا بتواند کار کند.»
این ویژگی با نام «اصل طرد پاولی» شناخته می‌شود و به همین دلیل این روش جدید «PauliNet» نامگذاری شده. در کنار این اصل، تابع موج الکترونیکی دارای ویژگی‌های فیزیکی اساسی دیگر هم هست و بسیاری از موفقیت‌های PauliNet مربوط به ادغام این خصوصیات در شبکه عصبی عمیق بجای درک آن‌ها تنها با مشاهده داده‌ها می‌شود.
این روش جدید پیش از اینکه آماده استفاده تجاری شود، باید بر چالش‌های زیادی غلبه کند، با این حال با پژوهش‌های بیشتری می‌تواند راه جدیدی روبه‌روی بشر قرار دهد. نتیجه کار محققان در ژورنال «Nature Chemistry» منتشر شده است.
