Машинное обучение решило центральную проблему квантовой химии

Применение современных технологий обеспечивает высокую точность определения молекулярных энергий и электронной плотности, революционизируя область квантовой химии и способствуя развитию новых фармацевтических и энергетических продуктов.

Благодаря использованию машинного обучения, гейдельбергский метод наконец-то решает проблему точности и стабильности для многих различных органических молекул.

Источник: Unsplash

Используя современные алгоритмы машинного обучения, ученые Гейдельбергского университета добились заметных результатов в вычислительной химии. Им удалось справиться с главной задачей современной квантовой химии — точное и надежное определение молекулярных энергий и распределений электронов с помощью орбитально-бесорбитального подхода. Этот подход отличается меньшей ресурсоемкостью и позволяет осуществлять расчеты для крупных молекулярных систем, пишет Phys.org.

Электронное распределение внутри молекулы определяет ее ключевые химические свойства, такие как стабильность, активность реакций и биологическая функциональность. Точный расчет электронного распределения и соответствующих энергий лежит в основе множества приложений, включая разработку лекарственных препаратов, аккумуляторов, фотокатализаторов и высокоэффективных материалов для энергетики.

В квантовой химии молекулы обычно рассчитывают с помощью теории функционала плотности, которая позволяет определять важные физико-химические свойства молекул без прямого вычисления сложной квантовомеханической волновой функции. Здесь ключевым параметром выступает электронная плотность, что облегчает и ускоряет расчеты. Орбитально-бесорбитальный подход теоретически выглядит многообещающим, но долгое время считался непригодным из-за склонности давать неверные или неустойчивые результаты даже при незначительных ошибках в расчете электронной плотности.

Система STRUCTURES25 основана на специально разработанной нейронной сети. Она изучает взаимосвязь между электронной плотностью и энергией на основе точных эталонных расчетов, воспроизводя химическое окружение каждого отдельного атома в математически детализированном представлении.

Источник: Journal of the American Chemical Society

Новая методика, получившая название STRUCTURES25, превосходит предыдущие подходы, соединяя теорию функционала плотности с алгоритмами машинного обучения. Нейронная сеть, лежащая в основе STRUCTURES25, обучается выявлять корреляцию между электронной плотностью и энергиями молекул, используя высокоточные контрольные расчеты. Особенность новой техники состоит в специальном подходе к обучению. Модель учится не только на основных выборках данных, но и на вариациях вокруг правильного результата, полученных контролируемыми модификациями эталонных расчетов.

Тестирование на обширном наборе органических молекул подтвердило высокую точность и надежность метода STRUCTURES25, сопоставимую с признанными стандартами. Впервые продемонстрировано практическое применение и стабильность орбитально-бесорбитального подхода. Важно, что новый метод оказался успешным не только для простых молекул, но и для крупномасштабных объектов, подобных лекарственным препаратам.

Ранее ученые рассказали, кем работать в эру нейросетей.