Algoritma dari DeepMind Google menyempurnakan perhitungan DFT |  Riset
Research

Algoritma dari DeepMind Google menyempurnakan perhitungan DFT | Riset

Jaringan saraf yang dibangun oleh para peneliti di lengan kecerdasan buatan Google DeepMind telah menghasilkan algoritma teori fungsional kepadatan yang disempurnakan. Algoritme, yang menganggap ‘karakter elektronik pecahan’ diabaikan dalam algoritme DFT sebelumnya, mampu menghindari beberapa jebakan yang sering menyebabkan algoritme ini memberikan hasil yang sangat tidak akurat.

Persamaan Schrödinger tidak dapat diselesaikan secara analitik untuk sistem atom yang lebih kompleks daripada atom hidrogen karena tolakan elektron-elektron berarti variabel yang terlibat meningkat secara dramatis. Ini berarti bahwa untuk membuat perkiraan yang realistis dari sistem molekuler, peneliti harus beralih ke metode komputasi. Untuk beberapa molekul kecil, adalah mungkin untuk menemukan solusi numerik perkiraan untuk persamaan untuk setiap elektron dan memperkirakan bentuk setiap orbital molekul dari fungsi gelombang yang dihasilkan. Namun, tuntutan komputasi sangat besar dan tumbuh tajam, karena setiap elektron tambahan saling tolak. ‘Pertanyaannya adalah bagaimana Anda melampaui area ini?’ kata Aron Cohen dari DeepMind.

Pada 1960-an, Pierre Hohenberg dan Walter Kohn menunjukkan bahwa, pada prinsipnya, seseorang dapat memetakan kerapatan elektron molekul dengan tepat ke energinya. Karena molekul akan cenderung mengadopsi keadaan energi terendah, ahli kimia secara teoritis dapat memprediksi keadaan molekul tanpa mengetahui keadaan elektron tunggal. Kohn kemudian berbagi hadiah Nobel 1998 dalam bidang kimia untuk karyanya, yang melahirkan DFT. Namun, pekerjaan tersebut tidak mengungkapkan cara menghitung kerapatan elektron, dan para peneliti telah bekerja untuk menemukan ‘fungsi kerapatan’ yang lebih baik untuk melakukan ini sejak saat itu.

Ahli kimia teoretis telah menyusun daftar kendala yang terus bertambah yang harus dipenuhi oleh fungsi kepadatan yang akurat. Dua di antaranya, yang berkaitan dengan delokalisasi spin elektronik dan muatan antara atom dalam molekul, sangat bermasalah. ‘Misalnya, jika Anda memiliki H2+ dalam sistem ini rata-rata Anda akan memiliki setengah dari elektron pada satu hidrogen dan setengah dari elektron di sisi lain,’ jelas rekan Cohen James Kirkpatrick. ‘Kebanyakan fungsi memprediksi bahwa, bahkan pada jarak tak terhingga, kedua atom tersebut terikat – ini adalah kesalahan besar dalam DFT yang disebabkan oleh fakta bahwa fungsi menjadi bingung dengan fakta bahwa itu hanya setengah dari keseluruhan elektron.’

Para peneliti menciptakan jaringan saraf belajar mandiri dan melatihnya pada sistem fiktif. ‘Jika seseorang memikirkan sebuah atom, seseorang juga dapat memikirkan kerapatan elektron jika seseorang melepaskan satu atau setengah elektron,’ jelas Cohen. Melalui proses umpan balik dan koreksi diri, jaringan saraf belajar memprediksi kerapatan elektron di sekitar molekul kecil.

Gambar yang menunjukkan perhitungan

Para peneliti kemudian menempatkan fungsional, yang mereka beri nama DM21, untuk bekerja pada beberapa masalah yang menarik. Misalnya, mereka melihat transpor muatan dalam DNA dengan memprediksi distribusi kerapatan muatan pada pasangan basa adenin-timin yang terionisasi: sedangkan fungsional yang populer saat ini menyarankan muatan didistribusikan di dua basa, fungsionalnya dengan benar memprediksinya untuk terkonsentrasi pada adenin saja. Mereka juga melihat contoh bicyclobutane yang lebih sederhana, yang memang ada perhitungan yang lebih mendasar, dan menunjukkan bahwa hasil dari fungsinya serupa. Para peneliti membuat DM21 tersedia secara gratis untuk semua ahli kimia di GitHub. Mereka sekarang bermaksud melatihnya untuk mempelajari interaksi massal yang lebih kompleks dalam logam transisi, misalnya, dan berharap ini dapat memberikan wawasan tentang fenomena seperti superkonduktivitas cuprate.

‘Tidak ada yang baru dalam menerapkan pembelajaran mesin untuk membangun perkiraan fungsional kepadatan,’ kata John Perdew dari Temple University di AS, mencatat bahwa ide itu pertama kali diusulkan pada 1990-an dan telah digunakan dalam ‘banyak makalah dalam beberapa tahun terakhir’.

‘Hal baru dalam pekerjaan ini adalah bahwa mereka memenuhi kendala matematika yang bandel tetapi penting dengan mengubahnya menjadi data yang dapat dipelajari oleh mesin.’ Dia mencatat, bagaimanapun, bahwa penggunaan kendala putaran fraksional untuk menemukan energi keadaan dasar ‘dikenakan biaya’, karena perbedaan energi yang kecil antara keadaan dasar dan keadaan tereksitasi dapat menyebabkan osilasi spin dan pemutusan simetri spin, yang merupakan penting untuk sifat bahan seperti antiferromagnets – serta superkonduktor cuprate.

Posted By : togel hari ini hongkong yang keluar 2021