استفاده از هوش مصنوعی در شیمی کوانتومی

بنابر گفته گروهی از محققان بین‌المللی همیشه نیاز نیست که تقریب‌سازی شیمیایی کوانتومی از صفر آغاز شود. این محققان برنامه‌ای ارائه کرده‌اند که می‌تواند با استفاده از یک بانک اطلاعاتی حاوی داده‌های شیمی کوانتومی مربوط به بیش از ۷۰۰۰ مولکول، انرژی‌های اتمی‌شدن مولکول‌های ناآشنا را با خطای کمتر از ۱ درصد محاسبه کند.

بنابر گفته گروهی از محققان بین‌المللی همیشه نیاز نیست که تقریب‌سازی
شیمیایی کوانتومی از صفر آغاز شود. با داشتن تعداد زیادی از نتایج مشخص، یک
هوش مصنوعی کوچک می‌تواند کار را تکیمل کرده و پیش‌بینی مورد نظر را انجام
دهد. برنامه این محققان می‌تواند با استفاده از یک بانک اطلاعاتی حاوی داده‌های
شیمی کوانتومی مربوط به بیش از ۷۰۰۰ مولکول، انرژی‌های اتمی‌شدن مولکول‌های
ناآشنا را با خطای کمتر از ۱ درصد محاسبه کند.

حل کامل معادله شرودینگر برای همه غیرممکن است، اما کوچک‌ترین و ساده‌ترین
سامانه‌های شیمیایی و تقریب‌سازی‌های دقیق نیز زمان‌بر هستند. آناتول وون
لیلینفیلد از آزمایشگاه ملی آرگون در ایلینویز می‌گوید در سال‌های اخیر
ابزارهای پیچیده محاسباتی چنان فراگیر شده‌اند که می‌توان در عرض چند روز
هزاران محاسبات DFT (density-functional field theory) را به انجام رساند.
او و همکارانش بر این باورند که با داشتن این اطلاعات می‌توان با استفاده
از الگوریتم‌هایی مشابه الگوریتم‌های مورد استفاده در سامانه پیشنهاد کتاب
آمازون، ویژگی‌ها و رفتار تعداد بی‌شماری از مولکول‌ها را پیش‌بینی کرد.

آنها برای اثبات این مدعا برنامه‌ای برای یافتن انرژی‌های اتمی شدن مولکول‌ها
تولید کرده‌اند. این برنامه عناصر و پیکربندی مولکول‌ها را به شکل یک
ماتریس با یک سطر و یک ستون برای هر اتم تعریف می‌کند. در محل تقاطع سطر
مربوط به هر اتم با ستون مربوط به آن عددی قرار می‌گیرد که نشان‌دهنده
انرژی پتانسیل اتم جدا شده از مولکول است؛ محل تقاطع سطرها و ستون‌های
مربوط به اتم‌های مختلف نیز نشان‌دهنده انرژی دافعه کولمبی میان بارهای
هسته‌های آنهاست.

آلبرت بارتوک پارتای از دانشگاه کمبریج انگلیس می‌گوید برای استفاده از هوش
مصنوعی در شیمی کوانتومی باید «پیکربندی اتمی به شکلی درآید که بتوان داده‌های
مربوط به آن را وارد ماشین کرد». در این کار روش زیبایی برای این کار ارائه
شده است.

گروه وون لیلینفیلد این الگوریتم را با استفاده از زیرمجموعه‌ای از مولکول‌های بانک
اطلاعاتی آموزش داده و ماتریس‌های آنها را برای یافتن فاصله میان مولکول‌ها (معیاری
از تفاوت میان مولکول‌ها از منظر ماتریس‌هایشان) با یکدیگر مقایسه کردند. هدف از
انجام این کار محاسباتی سنگین ایجاد یک «دورنما» و یا نقشه از فاصله میان مولکول‌ها
بود. پس از تکمیل این دورنما هر مولکول ناشناخته‌ای را می‌توان با توجه به اتم‌ها و
پیکربندی آن در نقطه‌ای از این نقشه قرار داد. در مورد یافتن انرژی اتمی شدن یک
مولکول ناشناخته، فاصله میان مولکول ناشناخته و مولکول‌های شناخته شده دیگر، وزن و
مشارکت انرژی اتمی شدن هر یک از این مولکول‌های شناخته شده در انرژی اتمی شدن
مولکول مجهول را تعیین می‌کند.

این محققان دریافتند که با ایجاد دورنمایی با استفاده از بیش از ۵۰۰۰ مولکول، خطای
پیش‌بینی انرژی اتمی شدن یک مولکول جدید کمتر از ۱۰ کیلوکالری بر مول است که به دقت
حدود ۵ کیلوکالری بر مول در DFT ترکیبی می‌رسد. وون لیلینفیلد می‌گوید: «محاسبه
انرژی اتمی شدن یک مولکول با استفاده از DFT ترکیبی با بهره‌گیری از یک CPU منفرد
حدود یک ساعت طول می‌کشد. با یاد گرفتن ماشین این زمان به چند میلی‌ثانیه می‌رسد».

جزئیات این کار در arXiv منتشر شده است.