Нейросети помогли понять сложное взаимодействие электронов
Учёные из Центра технологий материалов Сколтеха продемонстрировали работоспособность нейросетевого метода для создания точного обменно-корреляционного функционала, который является центральным компонентом в теории функционала плотности — основном численном методе физики конденсированного состояния и квантовой химии. С его помощью рассчитывают базовые свойства материалов и молекул, например, при поиске новых материалов и лекарств. В числе таких свойств реакционная способность соединений, прочность, зонная структура и другие.
Движение электронов в материи описывается многоэлектронным уравнением Шрёдингера и определяет свойства, связанные с электронной структурой. Например, химическая связь (основное понятие в химии) как раз и представляет собой сложное коррелированное движение электронов, происходящее по законам квантовой механики. Концептуальная проблема многоэлектронного уравнения Шрёдингера такова: хотя его достаточно просто выписать, аналитического решения пока не найдено, а численное решение является крайне сложной и комплексной задачей. Одним из основных методов является метод среднего поля (плотности), в котором сложное взаимодействие электронов друг с другом описывается эффективным потенциалом.
"В теории функционала плотности используется упрощение: вместо отдельных электронов рассматривается электронное облако с некоторой локальной плотностью", — рассказывает первый автор исследования, инженер-исследователь Сколтеха Александр Рябов.
"Однако в этой теории есть одна величина, точное значение которой неизвестно, — продолжает учёный. — Она называется обменно-корреляционным функционалом, и до недавнего времени её аппроксимировали аналитически: коэффициенты в функциональной форме находили без использования нейросетей, на основании набора известных физических принципов. Наш же метод впервые использует для этого двухкомпонентную нейросеть. Нейросети как таковые применяются для этой задачи особенно активно на протяжении последних нескольких лет, но мы первопроходцы этой области в России".
По словам исследователей, основное новшество их подхода — применение двухстадийного метода обучения: сначала обучается одна нейросеть, после чего её веса замораживаются и обучается вторая.
"В предыдущих работах нейросетью аппроксимировали обменно-кореляционный функционал, после чего необходимо было брать вычислительно затратные производные, чтобы получить соответствующий обменно-корреляционный потенциал. Такие производные зачастую сложно вычислить с хорошей точностью с применением нейросети. В нашей работе двухкомпонентная сеть одновременно аппроксимирует и потенциал, и функционал. Брать тяжёлые производные не нужно, и вычислительная нагрузка снижается", — рассказывает старший научный сотрудник Сколтеха Пётр Жиляев. "Для реализации всех поставленных экспериментов в нашей статье мы внедрили нейросеть в программный пакет квантовой химии Octopus. Также мы изучили, как на процесс обучения влияют несамосогласованные плотности. После добавления таких плотностей в обучающую выборку мы отметили улучшение работы на тех молекулах, на которых нейросеть прежде давала наихудшие результаты", — дополняет Александр Рябов.
