Pesquisadores do Centro de Tecnologias de Materiais da Skoltech apresentaram uma demonstração de prova de conceito de um método orientado por rede neural para criar uma interpolação funcional precisa de correlação de troca, que é o componente central da teoria funcional de densidade. A DFT, por sua vez, é o principal método numérico usado na física da matéria condensada e na química quântica para calcular a reatividade dos compostos, a estrutura zonal das moléculas, a durabilidade dos materiais e outras propriedades cruciais para a busca de novos materiais, drogas e muito mais. A arquitetura de rede neural promissora foi apresentada e analisada em Relatórios Científicos .
Conforme descrito pela equação multielétron de Schrödinger, os movimentos dos elétrons na matéria determinam as propriedades da estrutura eletrônica. Por exemplo, a ligação química, um conceito central de toda a química, é um movimento complexo e correlacionado de elétrons governado pelas leis da mecânica quântica.

O problema com a equação de Schrödinger multielétron é que, embora seja relativamente fácil de enunciar, nenhuma solução analítica foi encontrada, e a solução numérica é altamente complexa e desafiadora. Aqui, uma das principais abordagens é o método de campo médio (densidade), que descreve a interação complexa de elétrons em termos de um potencial efetivo.

“A teoria do funcional da densidade simplifica as coisas usando a noção de uma nuvem de elétrons caracterizada por certa densidade local em vez de considerar elétrons individuais”, explicou o primeiro autor do estudo, o engenheiro de pesquisa da Skoltech, Alexander Ryabov.

"No entanto, essa teoria tem um importante valor desconhecido, chamado funcional de troca-correlação. Até recentemente, a tendência era aproximá-la analiticamente. Ou seja, os coeficientes na forma funcional eram determinados com base em vários princípios físicos conhecidos sem recorrer a redes neurais . Nosso método é o primeiro a usar uma rede neural de dois componentes para isso. As redes neurais têm sido ativamente empregadas nessa tarefa, mas nossa equipe é pioneira nesta área na Rússia."

Segundo os pesquisadores, o que diferencia a deles das abordagens concorrentes é que o treinamento acontece em duas etapas:primeiro, uma rede é treinada e seus pesos são congelados. Então outro é ensinado.

"Anteriormente, as pessoas usavam uma rede neural para aproximar o funcional de correlação de troca, após o qual derivativos computacionalmente intensivos tinham que ser tomados para encontrar o potencial de correlação de troca correspondente. uma rede neural", acrescentou o pesquisador sênior da Skoltech, Petr Zhilyaev, investigador principal do estudo. "Em nosso trabalho, uma rede neural de dois componentes se aproxima tanto do potencial quanto do funcional, de modo que nenhuma derivada complicada está envolvida e a carga computacional é diminuída".

“Para executar os experimentos relatados em nosso artigo, implementamos a rede neural no pacote de software Octopus para química quântica”, disse Ryabov. "Também investigamos como o processo de treinamento é afetado por densidades não autoconsistentes. Depois de adicionar essas densidades ao conjunto de dados de treinamento, observamos um melhor desempenho em moléculas para as quais a rede neural anteriormente produzia os piores resultados". + Explorar mais

Os cientistas duvidam que a IA da DeepMind seja tão boa para sistemas de carga fracionária quanto parece