新算法能够模拟复杂的量子系统

来自卢森堡大学、柏林工业大学柏林学习和数据基础研究所(BIFOLD)和谷歌的国际科学家团队现已成功开发了一种机器学习算法，以应对大型复杂的量子系统。该文章已发表在《科学进展》上。

原子的量子特性塑造了无数的生化和物理过程。世界上一些最大的科学挑战从根本上与理解许多相互作用的原子有关。这些相互作用受量子力学定律的支配。例子包括基因组中核酸的形成，以及大气中有害分子的分解。

对科学家来说，这种量子系统在空间和时间上的相关性尤其具有挑战性：它们最有趣的特性不是来自原子个体贡献的简单总和，而是来自复杂的原子相关性。因此，量子系统不能轻易地用数学方式建模。特别是，到目前为止，较大的量子系统还没有达到准确的机器学习(ML)，因为它们不能唯一地划分为独立的小型计算包。

对复杂相关性的直接建模将超出现有的计算能力。

逼真而精确

开发的学习算法基于机器学习方法重建所谓的全局力场，而不会进行任何潜在的过度简化。术语“全局力场”描述了考虑分子的所有原子相互作用(如静电，化学等)的方法。否则，通常的做法是减少建模原子相互作用的数量，以提高计算效率。

“量子态是不可分割的，单个成分不能独立行动而不影响整个系统，”卢森堡大学理论化学物理学教授Alexandre Tkatchenko教授解释说。这一特性标志着量子力学与每个人都直观熟悉的经典牛顿和静电相互作用之间最广泛的区别之一。

在对量子系统进行建模时，这也带来了一个两难境地：算法设计中无处不在的范式和建模原子相互作用中的一个重要构建块是将问题划分为更小的独立部分，这些部分更容易被计算机处理。由于上述性质，在考虑量子系统时，这是不可能的。

能够捕获分子系统中许多原子的集体相互作用的全球力场目前只能使用机器学习方法扩展到几十个原子，因为模型复杂性随着手头系统的大小而显着增加。该团队通过开发一种算法来训练多达数百个原子的系统的全球力场，而不会忽略复杂的相关性，从而解决了这一挑战。

他们的方法小心翼翼地将模型中的强耦合原子相互作用分离为所谓的集体低维部分，其中包含重复的相互作用模式，以及所谓的残差，描述了个体相互作用的贡献。这种分离允许力场重建问题的两个组成部分独立求解。

由于计算机计算中不可避免的舍入误差而产生的每个子问题的数值属性都被特别考虑在内。因此，全局力场可以基于更大的参考数据集重建，以表示更复杂的相互作用，就像在具有许多原子的系统或特别灵活的分子中发生的那样。

“机器学习算法的数值特征通常比数学公式所暗示的影响更大，从而可能扭曲结果。数值稳定性的提高可以对算法的应用产生深远的影响，“BIFOLD多体系统机器学习小组研究组组长Stefan Chmiela博士说。

开发的方法可以在多台计算机上并行化，这是次要的好处。它消除了算法瓶颈，并能够有效使用现代并行计算硬件，如 GPU。“机器学习算法的成功通常取决于它们在可用硬件上的运行和扩展效率，”BIFOLD联合主任Klaus-Robert Müller教授解释说。

“这项工作是解锁具有数百个原子的系统的真正预测量子模拟的垫脚石，”谷歌研究科学家Oliver Unke说。科学家们已经在具有挑战性的长时间尺度上成功地对超分子复合物进行了动力学模拟。制药行业通常进行类似的模拟，以识别具有特定性质的化合物作为潜在的新候选药物。

“机器学习方法有望在精确的量子力学模型和有效的经验解决方案之间实现融合。它们有可能通过提供全新的机会来更好地理解复杂物理系统中的原子相互作用，从而加速量子化学的科学研究，“Alexandre Tkatchenko解释说。

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！