Penyelidikan baharu mendedahkan potensi kuantum Monte Carlo untuk mengatasi rangkaian saraf dalam menerobos batasan, dan sub-isu Alam memperincikan kemajuan terkini

Selepas empat bulan, satu lagi kerja kerjasama antara ByteDance Research dan kumpulan penyelidikan Chen Ji di Sekolah Fizik di Universiti Peking telah diterbitkan dalam penerbitan antarabangsa terkemuka Nature Communications: Kertas kerja "Menuju keadaan dasar molekul melalui resapan Monte Carlo pada rangkaian saraf 》menggabungkan rangkaian saraf dengan kaedah resapan Monte Carlo, meningkatkan ketepatan pengiraan, kecekapan dan skala sistem kaedah rangkaian saraf dalam tugas berkaitan kimia kuantum. , menjadi SOTA terkini.

• Pautan kertas:
  ​​https://www.nature.com/articles/s41467-023-37609-3​
• Alamat kod:
  ​​https://github.com/bytedance/jaqmc​

Pengenalan

Pengarang menggunakan fungsi gelombang percubaan berdasarkan rangkaian saraf kepada kaedah Monte Carlo resapan (Diffusion Monte Carlo, atau DMC) permukaan nod tetap untuk mengira dengan tepat sistem atom dan molekul dengan sifat elektronik yang berbeza.

Kaedah Monte Carlo resapan ialah salah satu kaedah yang biasa digunakan dalam bidang kimia kuantum untuk mengira dengan tepat tenaga keadaan dasar molekul dan bahan. Dengan menggabungkannya dengan kaedah penyebaran Monte Carlo, pengarang telah meningkatkan ketepatan pengiraan dan kecekapan kaedah SOTA rangkaian saraf dengan ketara dalam kimia kuantum. Di samping itu, penulis juga mencadangkan kaedah ekstrapolasi berdasarkan hubungan linear empirikal, yang banyak meningkatkan pengiraan tenaga mengikat molekul. Secara keseluruhannya, rangka kerja pengiraan ini berfungsi sebagai kaedah ketepatan tinggi untuk menyelesaikan masalah kuantum banyak badan dan menyediakan alat yang lebih berkuasa untuk pemahaman yang mendalam tentang sifat molekul kimia.

Kaedah Quantum Monte Carlo berdasarkan rangkaian saraf

Sejak 2018, pelbagai kumpulan penyelidikan telah menggunakan rangkaian saraf untuk pembolehubah Dalam Variasional Kaedah Monte Carlo (Variational Monte Carlo, atau VMC) [1,2,3], tenaga keadaan tanah molekul yang lebih tepat diperoleh dengan bantuan keupayaan ekspresi kuat rangkaian saraf. Apabila karya ini diterbitkan pada tahun 2022, kerja SOTA dalam kaedah Monte Carlo variasi berasaskan rangkaian saraf ialah FermiNet [2] yang dicadangkan oleh DeepMind pada 2019, yang dapat memperoleh hasil yang sangat tepat pada sistem skala yang lebih kecil. Walau bagaimanapun, ketepatan kaedah Monte Carlo variasi dihadkan oleh keupayaan ekspresi rangkaian saraf, dan akan terdapat masalah ketepatan yang semakin jelas apabila berurusan dengan sistem yang lebih besar. Di samping itu, kaedah jenis ini menumpu dengan sangat perlahan apabila berurusan dengan sistem yang lebih besar, menimbulkan cabaran besar kepada sumber pengkomputeran.

Sebagai salah satu algoritma ketepatan tinggi klasik dalam bidang kimia kuantum, kaedah Monte Carlo resapan mempunyai ciri-ciri ketepatan yang tinggi, kebolehsamaan yang baik, dan sesuai untuk skala besar. pengiraan. Di samping itu, penyebaran Monte Carlo boleh menembusi batasan keupayaan ekspresi rangkaian saraf dan menggunakan algoritma unjuran untuk mengatasi ketepatan kaedah Monte Carlo variasi.

Dalam karya ini, penulis menggabungkan rangkaian neural SOTA (FermiNet) sebagai fungsi gelombang percubaan dengan kaedah resapan Monte Carlo. Kaedah pengiraan baharu dengan ketara meningkatkan ketepatan dan mengurangkan bilangan langkah pengiraan yang diperlukan berbanding FermiNet. Perisian Monte Carlo resapan yang direka dan dilaksanakan dalam kerja ini adalah mesra rangkaian saraf, mesra GPU, dan mesra selari Ia boleh digabungkan dengan pelbagai fungsi gelombang rangkaian saraf untuk meningkatkan ketepatan dan kecekapannya secara automatik.

Hasil pengiraan

1 Atomic​

Gunakan rangkaian saraf untuk melakukan pengiraan pada besar. sistem molekul Semasa pengiraan kuantum Monte Carlo, disebabkan oleh had dalam kuasa pengkomputeran, keupayaan ekspresi rangkaian saraf yang boleh digunakan juga tertakluk kepada batasan tertentu. Untuk mensimulasikan senario ini, penulis hanya menggunakan dua lapisan rangkaian saraf untuk mengkaji baris kedua dan ketiga atom. Keputusan pengiraan menunjukkan bahawa apabila sistem menjadi lebih besar, ketepatan kaedah Monte Carlo variasi menjadi lebih teruk dan lebih teruk, manakala peningkatan ketepatan yang dibawa oleh kaedah Monte Carlo penyebaran menjadi lebih jelas.

2

Pengarang juga mengesahkan keberkesanan kaedah Monte Carlo resapan berasaskan rangkaian saraf pada siri sistem molekul, termasuk molekul nitrogen, siklobutadiena dan molekul air berganda. Peningkatan ketara dalam ketepatan pengiraan diperhatikan pada semua sistem yang diuji.

3. Gelang Benzene dan Cincin Difenil​

Kerja Sebelum ini. penerbitannya, kaedah fungsi gelombang rangkaian saraf berdasarkan Monte Carlo variasi dalam bidang kimia kuantum hanya menangani molekul kecil dalam 30 elektron. Kerja ini menggunakan kaedah fungsi gelombang rangkaian saraf kepada sistem dengan 42 hingga 84 elektron, iaitu cincin benzena dan cincin bifenil, buat kali pertama. Keputusan pengiraan menunjukkan bahawa kaedah resapan Monte Carlo adalah jauh lebih baik daripada kaedah Monte Carlo variasi dalam ketepatan, dan boleh mencapai ketepatan yang sama atau lebih baik dengan satu urutan magnitud langkah pengiraan yang lebih sedikit.

4

Apabila penulis meneliti tenaga yang sepadan dengan peringkat latihan yang berbeza bagi rangkaian saraf, beliau mendapati bahawa hasil pengiraan variasi Monte Carlo dan resapan Monte Carlo adalah empirikal dalam banyak sistem (gambar kiri bawah). Menggunakan perhubungan linear ini untuk mengekstrapolasi pengiraan tenaga pemisahan cincin bifenil dengan ketara meningkatkan ketepatan pengiraan dan memperoleh keputusan yang konsisten dengan eksperimen kimia (gambar kanan di bawah).

Kesimpulan dan Tinjauan

Kerja ini menunjukkan bahawa kaedah resapan Monte Carlo berdasarkan rangkaian saraf adalah unggul dalam ketepatan dan kecekapan . untuk kaedah Monte Carlo variasi. Kod Monte Carlo penyebaran sumber terbuka pengarang boleh digabungkan dengan cepat dengan rangkaian saraf yang sentiasa inovatif [4,5] dalam bidang kimia kuantum untuk memperkasakan komuniti penyelidikan. Selain itu, kaedah resapan Monte Carlo juga boleh digabungkan dengan satu siri kaedah seperti rangkaian saraf berkala [6] dan rangkaian saraf dengan potensi pseudopotential [7] yang berurusan dengan pepejal sebenar untuk meningkatkan kesan pengkomputeran pada tugasan yang sepadan.

Atas ialah kandungan terperinci Penyelidikan baharu mendedahkan potensi kuantum Monte Carlo untuk mengatasi rangkaian saraf dalam menerobos batasan, dan sub-isu Alam memperincikan kemajuan terkini. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!