2018 년 기후 시뮬레이션은 미국 최고의 슈퍼 컴퓨팅 클러스터에서 컴퓨팅주기를 세 번째로 큰 사용이었습니다. 쿼크 및 기타 아 원자 입자에 대한 연구는 두 번째로 나왔습니다.
목록을 토핑하는 것은 물리 과학에서 가장 많이 인용 된 아이디어였습니다.
어바인 캘리포니아 대학교 (University of California)의 이론적 화학자 인 키어론 버크 (Kieron Burke)는“엄청나게 중요하다. "이것은 과학에서 가장 중요한 것 중 하나입니다."
과학의 가장 큰 비밀은 밀도 기능 이론 (DFT)이라는 이름으로 진행되며 물리학 자와 화학자는 수소 원자보다 더 복잡한 것을 이해하는 데 사용하는 주요 방법입니다. 수십 년 동안 연구원들은 커피 맛에서 목성의 핵심 일관성에 이르기까지 모든 것을 예측하기 위해 DFT의 능력을 활용했습니다.
DFT는 과학자들에게 전자가 어디로 갈지 예측하기위한 강력한 지름길을 제공하고, 확장하여 전자로 옷을 입은 원자, 분자 및 기타 물체가 어떻게 작용하는지에 대한 강력한 지름길을 제공합니다. 물리학 자와 화학자들은 오랫동안 깊은 물리적 전문 지식을 사용하여 방정식이 모든 전자에 공통적 인 복잡한 춤을 더 잘 반영하도록합니다. 그러나 최근에 신경망이 설계 한 새로운 도구는 경쟁하고 있으며 어떤면에서는 손으로 만들어진 선구자보다 성능이 우수합니다. 일부 연구자들은 이제 기계 학습이 연구자들이 새로운 약물, 초전도 및 이국적인 재료의 비밀을 잠금 해제하는 마스터 전자 방정식을 향해 더 크고 빠른 단계를 밟을 수 있다고 생각합니다.
.Stony Brook University의 응축 물리학자인 Marivi Fernández-Serra는“이러한 기계 학습 방법”이라고 말했습니다.
전자 속삭임
전자를 아는 것은 그들이 구성하는 원자, 분자 및 재료를 아는 것입니다. 물리학 자들은 1920 년대 이래로 Erwin Schrödinger가 그의 시조 방정식을 발표 한 이래로 전자를 철저히 이해해 왔습니다. 그러나 전자의 무리를 분석 할 때, 그 이해는 모두 쓸모없는 것으로 판명되었습니다.
문제는 전자가 입자보다 구름이 더 많다는 것입니다. 그들은 공간을 통해 퍼져서 여러 가지 방법으로 다른 모든 전자와 겹치고 혼란스러워합니다. 숫자가 상승함에 따라 Schrödinger의 파도 방정식을 사용하여 모든 전자 간의 지속적인 접촉을 설명합니다.
버클리 캘리포니아 대학교 (University of California)의 응축 물리학자인 제프리 니튼 (Jeffrey Neaton)은“몇 가지 입자들조차도,이 웨이브 기능을 하드 디스크에 쓰는 것도 지금 세계에 존재하는 것보다 더 많은 디스크 공간이 필요합니다.”
.1964 년에 두 물리학자가 해결 방법을 찾았습니다. Pierre Hohenberg와 Walter Kohn은 전자를 고용 된 유체로 함께 섞어 분자의 모든 측면을 완벽하게 포착 할 수 있음을 증명했습니다. 하나는 일부 반점에서 더 두껍고 다른 지점에서는 더 얇습니다. 이 전자 주스의 밀도에는 분자의 복잡한 파동 기능에 대한 모든 정보가 포함되어 있으며, 전자를 개별적으로 추적하는 불가능한 작업에서 물리학자를 자유롭게 해제했습니다.
.
Rice University의 재료 과학 교수 인 Douglas Natelson은“그게 큰 기적입니다.
Hohenberg와 Kohn의 작품은 강력한 마스터 방정식 인 보편적 밀도 기능의 존재를 증명했습니다. 방정식은 전자 수프의 일부 인스턴스를 취하고 에너지를 계산하여 물리학 자에게 가장 자연스러운 전자 배열 (가능한 에너지가 가장 낮은 전자)을 안내합니다. 기능은 원칙적으로 실리콘 벽돌에서 물 분자에 이르기까지 모든 시스템을 설명 할 수 있다는 의미에서 보편적 일 것입니다.
유일한 어획량은 아무도 방정식이 어떻게 생겼는지 전혀 몰랐다는 것입니다.
곧 Kohn과 다른 물리학자인 Lu Jeu Sham은 실용적인 밀도 기능을 기록한 첫 번째 패스를했습니다. 전자 거동의 모든 미묘한 측면을 캡처하는 정확한 기능은 말할 수 없을 정도로 복잡해야하므로 두 개로 나뉩니다. 전반전은 그들이하는 방법을 알고있는 부분이었습니다. 그것은 평균적으로 만 서로를 감지 할 수있는 전자 그룹의 에너지를 제공했습니다. 비잔틴 양자 효과와 비 국소 상호 작용의 과도한 에너지 인 다른 모든 것은 하반기에 들어갔다 :교환과 상관 관계로 알려진 퍼지 요인
Neaton은“우리가 기능에 대해 이해하지 못하는 것을 하나의 작은 부분으로 줄였습니다.”라고 Neaton은 말했습니다.
그 후 수십 년 동안, 과학자들은 Kohn과 Sham의 작품을 기반으로 퍼지 인자를 추정하는 점점 더 영리한 방법으로, 밀도 기능은 전자를 이해하는 사실상의 방법이되었습니다. 연구자들은 원자가 전자를 잡거나 방출 할 가능성을 예측하는 데 사용합니다. 이론의 끝없는 응용 프로그램 스트림은 1998 년 Kohn A 노벨상을 수상했습니다.
기능 사다리
연구자들이 DFT로부터 더 많은 정밀도를 요구할 때, 그들은 기능적 교환과 상관 관계로 채워진 무지를 고려하여 스케치의 세부 사항을 연마하여 보편적 밀도 기능과 더 일치시켜야합니다.
.인공 지능 회사 인 Deepmind의 이론적 화학자 인 Aron Cohen은 신화적인 보편적 방정식을 찾고있는 사람들 중 하나입니다. 이론적 양자 화학의 추상적 인 풍경에 기반을두기 위해 그는 파란색 3D 인쇄 데스크 장난감을 손에 보관합니다. 플라스틱 포춘 쿠키처럼 보이며, 곡선은 보편적 인 기능의 정확한 모양을 추적하지만 가장 간단한 시스템에 대해서만 추적합니다. 두 개의 원자 사이에 공유되는 두 개의 전자에 대해 알고 싶은 것을 드러내는 데 사용될 수 있습니다. 그럼에도 불구하고, 수많은 전자와 원자를 처리 할 수있는 기능이 존재할 수 있음을 상기시켜줍니다. "우리가 찾고있는 것은 다음과 같다"고 말했다. 훨씬 더 복잡합니다. “정말로 진짜입니다.”
DFT 연구의 주요 목표는 보편적 인 기능의보다 정확한 근사치를 찾는 것입니다. Temple University의 물리학 자이자 주요 기능 개발자 인 John Perdew는 오랫동안이 작업을 주도했습니다. 그는 사다리에 렁을 오르는 것처럼 보편적 기능을 향한 경로를 설명합니다. 각 런그에서 물리학자는 기능에 새로운 성분을 추가합니다. 가장 간단한 성분은 각 위치에서 전자 스튜의 두께입니다. 다음 런그에서 기능은 두께가 장소마다 얼마나 빨리 변하는지를 고려하여 연구원들에게 더 넓은 시야를 제공하고 기능을보다 정확하게 만듭니다.
Perdew의 전략의 핵심 부분은 물리적 추론을 사용하여 "정확한 제약"으로 알려진 좋은 근사치에 순종 해야하는 특정 수학적 특성을 식별하는 것입니다. 더 높은 렁은 이러한 제약을 더 많이 만족시키고 연구자들은 그들 모두를 준수하는 방정식을 찾기 위해 더 열심히 찾아야합니다.
Perdew의 그룹은 1999 년에 6 개의 성분을 혼합 한 3 마리의 기능을 해결하기 시작했으며 2015 년에는 최첨단 기능을 Scan이라는 최첨단 기능을 발표했습니다. 그의 8 번째 시도였으며, 첫 번째는 세 번째 런그와 관련된 17 개의 알려진 제약을 모두 준수했습니다. 분자와 고체 모두에 적용 가능한 Scan은 보편적 기능이지만 발견 된 가장 유능한 근사치 중 하나임을 입증했습니다.
.Perdew는“제 3 건포도 기능에는 매우 풍부한 가능성이 있습니다. "무엇이 중요하고 무엇이 작동하는지 알아내는 데 시간이 걸립니다."
기계를 입력하십시오
Perdew가 신체적 직관으로 밀도 기능을 개선하는 기술을 개선함에 따라 혁명은 양조되었습니다. 알고리즘은 인간이 수학적으로 적어두기에 너무 미묘한 전자 동작의 패턴을 벗어날 수 있습니까?
2012 년 Burke와 그의 협력자들은 기계 학습을 단순화 된 전자 세트에 적용하려는 최초의 현대적인 시도를했습니다. 그의 1 차원 프로토 타입은 그와 다른 그룹에게 알고리즘이 연구자들이 사다리를 더 높이 올릴 수 있는지 확인하도록 동기를 부여했습니다.
Burke와 Collaborators가 대부분의 이전 시도가 무시했던 방식으로 에너지 오류를 추적 할 수있는 장난감 문제에 대한 신경망을 설립했을 때 2021 년 초에 한 번의 획기가 발생했습니다. 룩셈부르크 대학교 (University of Luxembourg)의 이론적 화학자 인 Alexandre Tkatchenko는“밀도와 에너지를 모두 제공하는 기능을 얻으려면 매우 유연한 건축물이 필요합니다. "마음으로 기능적 형태를 작성하는 것은 쉽지 않습니다."
Stony Brook의 Fernández-Serra는 유사한 전략을 사용하여 다양한 분자와 에너지를 연구하고 가장 잘 알려진 제약 조건을 검색하는 신경망을 설계하고 본질적으로 기계를 사용하여 Perdew의 발자취를 되찾았습니다.
.그녀와 세바스티안 딕 (Sebastian Dick)이 물리적 검토 b 에서보고 한 바와 같이, 익숙하지 않은 분자의 에너지를 대략 10%정도 예측할 때 결과 교환 및 상관 관계 비트 스캔. 2021 년 가을. 그러나 겸손한 이익은 Perdew의 작업이 이미 세 번째 렁의 천장을 찾는 데 가까워 졌다고 제안했습니다.
Fernández-Serra는“신체적 직관은 당신이 도달 할 수있는 거의 모든 것을 지쳤습니다. "Perdew의 기능은 실제로 기계 학습을 사용하지 않고 얻을 수있는만큼 좋습니다."
.더 높은 등반에는 더 복잡한 입력이 필요하며 알고리즘을 이해하려면 알고리즘이 필요합니다.
딥 마인드는 사다리를 비축합니다
전염병 직전에 DeepMind의 연구원들은 보드 게임 GO를 정복 한 결과 새로운 도전을 찾고있었습니다. 그들은 특히 과학 기계 학습 문제에 관심이 있었고 코헨은 그들에게 DFT를 던졌습니다. 그는 책상에 보관하는 것과 같은 단순한 시스템의 정확한 기능을 연구하는 데 수년을 보냈습니다. 그러나 그들은 현실 세계를 묘사하기에 충분히 복잡한 곳이 없었습니다.
"화학에 유용한 무언가에 도달하는 것이 긴 길처럼 느껴졌다"고 그는 말했다.
DFT의 중심에있는 하나의 약점은 특히 Cohen에서 멀어졌습니다. 전류 밀도 기능은 종종 전자를 너무 많이 흘립니다. 문제는 전자가 주로 하나의 분자에 모여야하는 일방적 인 시스템의 경우 특히 눈부신 것입니다. DFT는 두 분자에 걸쳐 전자 수프를 더 고르게 퍼지는 경향이 있습니다. DFT가 수소 원자만큼 단순한 경우에도 병합 및 당기는 입자에 대해 잘못된 에너지를 제공 할 때 화학 반응에서 관련 문제가 나타납니다. 코헨은“이것은이 일 중 하나입니다. 그러나 나는 그것이 큰 실패가 있다는 것을 알고 있습니다.”
.Cohen과 Deepmind 팀은 차세대 기능을 설계하기 위해 긴 물리적 원리 목록을 만족시키는 것에 대해별로 걱정하지 않기로 결정했습니다. 대신, 그들은 데이터, 많은 데이터에 의지 할 것입니다. 그들은 알려진 에너지 (Schrödinger 방정식 또는 유사한 방법을 사용하여 큰 비용으로 계산)를 가진 수천 개의 분자의 데이터베이스에 대한 문헌을 닦았다. 그런 다음 슈퍼 컴퓨터를 사용하여 수백 개의 추가 분자의 에너지를 획득했습니다. 그 중 많은 부분이 계산하는 데 며칠이 걸렸습니다.
팀이 철저한 예제 분자 라이브러리를 조립하는 동안 코헨과 다른 화학자들은 기능을 어떻게 구성 해야하는지 결정했습니다.
그들은 다재다능하게 다재다능한 접근 방식에 착륙했습니다. 수년간의 시행 착오에 걸쳐 연구원들은 교환 및 상관 관계의 일부를 추정하기위한 특별 레시피를 발견했습니다. 기능의 한 조각에 대한 에너지의 80%가 한 가지 방식으로 계산되고 다른 방식으로 20%가 계산되었을 때 성능이 좋은 지점이있었습니다. 연구원들은 다음 단계가 80/20 비율이 분자 주위의 지점마다 달라지게하는 것이라고 오랫동안 의심했지만 아무도이 작업을 수행하는 데 완전히 성공하지 못했습니다.
.1998 년에 이러한 유형의 기능을 소개 한 Burke는“사람들 이이 형식으로 연주 한 곳에서 100 개의 논문이 있었지만 모두가 사용할 수있는 것을 제작하지 못했습니다.”라고 말했다.
이 그룹의 신경망은 모범의 분자와 기계 학습 전문 지식을 통해 그 유형의 유연한 4-6 개의 기능을 훈련시킬 수있었습니다. 스캔 및 기타 최고 경쟁 업체보다 광범위한 분자의 에너지를 더 잘 추정 할 수 있습니다. 대체로 전자를 더 정확하게 배치하고 스핀을 더 잘 설명하기 때문입니다. DM21이라는 기능은 화학 결합의 파괴 및 형성을 처리 할 수있는 최초의 일반 목적 기능입니다. 12 월 9 일, 그룹은 Science 에서 기능을 설명했습니다. .
“이것은 합리적으로 일반적인 목적 기능입니다.”라고 Burke는 말했습니다. "이 일이 외모만큼 좋으면 수천 명의 사람들이 1 년 안에 그것을 사용하기 시작할 것입니다."
.그러나 Burke는 기능을 완전히 테스트하는 데 시간이 걸릴 것이라고 경고합니다. 이 필드는 처음에는 유망한 것처럼 보이지만 치명적인 결함을 숨기고 기능의 잔해로 가득 차 있으며, 연구원들은 방금 DM21을 골라 내기 시작했습니다.
한 가지 약점은 DM21이 주기성 테이블의 처음 세 행에서 분자를 훈련 시켰으며, 여기서 데이터가 더 풍부하다는 것입니다. 이는 배운 전자 거동이 금속 원자 또는 고체 물질로 이월되지 않을 수 있음을 의미하며, 이는 예를 들어 구리 기반 고온 초전도체의 구리 기반 패밀리를 분석하는 데 중요합니다. 해당 시스템을 나타내는 보편적 인 기능의 세부 사항은 현재 스캔 및 기타 기능에 의해 더 나은 상태로 남아 있습니다.
Tkatchenko는“가까운 미래에 모든 것을 할 수있는 기능이 하나도 없을 것이라고 생각합니다.
보편적 기능을 향해
Fernández-Serra 및 Deepmind와 같은 새로운 기능의 개발은 기계 학습이 보편적 밀도 기능, 특히 분자 및 화학에 해당하는 새로운 영역을 탐색하는 강력한 도구가 될 수 있음을 시사합니다.
Tkatchenko는“해결하고자하는 화학 공간의 일부를 실제로 조정하고 가능한 한 효율적으로 만들기위한 것”이라고 말했다. "기계 학습 기술이 실제로 머물러 있다고 생각합니다."
그러나 개선 된 화학 기능이 원자에서 재료에 이르기까지 모든 것과 관련된 일반적인 특징을 보여줄 것입니다. 예를 들어, Perdew는 전통적인 방식으로 기능을 더 세분화 할 수있는 새로운 직관적 인 특성을 계속 찾고 있습니다. "나는 아마도 기계 학습 노력에 많은 시간을 할애하지 않을 것"이라고 그는 말했다.
Cohen은 DM21이 인간의 마음이나 신경망에 의해 생성되었는지 여부에 관계없이 미래의 근사치의 지속적인 요소가 될 수있는 보편적 인 특징을 보이기를 희망합니다.
"기능은 무한히 복잡하므로 공격을하는 것이 좋습니다."라고 그는 말했습니다. "이상적으로 우리는 그들 모두를 통일하고 싶습니다."
