Искусственный интеллект из “Сколтеха” ускорил квантовые расчеты

Ученые из России и США создали систему машинного обучения, которая позволяет резко ускорить работу алгоритмов, просчитывающих устройство различных сложных молекул на квантовом уровне. Об этом рассказывает пресс-служба Российского научного фонда.

“Мечта инженера – возможность теоретического поиска лучшего сплава для заданного изделия. Представьте, насколько было бы лучше не тратить годы в лаборатории, а просто взять и рассчитать сплав одновременно с дизайном конструкции. Наше исследование – шаг на пути к этой мечте”, – объясняет Александр Шапеев из Сколковского института науки и технологий.

Многие химики и физики в последние 100 лет мечтают о приобретении способности предсказывать свойства произвольных материалов и химических веществ, зная лишь физические свойства отдельных атомов. Реализация этой мечты позволит ученым создавать материалы с четко заданными свойствами, не пытаясь найти их “вслепую”, что совершит революцию в медицине, инженерии, строительстве и во многих других областях жизни и промышленности.

Современные программы, позволяющие осуществлять подобные расчеты, проводят их фактически на самом “низком”, квантовом уровне, просчитывая то, как меняется длина и сила химических связей, расположение атомов относительно друг друга, их заряд и прочие фундаментальные физические параметры.

Подобная методика работает очень хорошо, однако она требует огромного количества вычислительных ресурсов, из-за чего ее фактически нельзя применять для изучения и предсказания свойств крупных молекул, в том числе белков или потенциальных лекарств. Других вариантов, позволявших вести расчеты столь же точно, у ученых до недавнего времени не было, что делало предсказание свойств различных соединений, сплавов и сложных молекул крайне сложной вещью.

В последние годы, как отмечают Шапеев и его коллеги, ученые начали задумываться о том, что подобные расчеты можно ускорить, применяя или квантовые компьютеры, или различные системы машинного обучения или искусственного интеллекта, способные “отсеять” ненужные данные или облегчить работу физиков и химиков иными путями.

Последние два подхода, как показали первые попытки их применить, могут повысить скорость подобных вычислений в сотни раз. С другой стороны, эти же опыты выявили большую проблему, мешавшую применять их на практике для решения самых серьезных задач.

Дело в том, что системы машинного обучения могут периодически допускать ошибки при подборе оптимальной формулы для того или иного вещества. В результате этого полученный ими ответ будет отличаться от того, что выдают классические алгоритмы, построенные на базе теории функционала плотности(DFT), гарантирующей 100% точный результат.

Шапеев и его команда избавили искусственный интеллект от подобных ошибок, применив другой популярный сегодня подход. Они использовали машинное обучение не для полного вычисления идеальной формулы исследуемого вещества, а для резкого сокращения числа вариантов его структуры при расчетах DFT. В результате этого сохранилась и высокая скорость работы ИИ, и точность классических алгоритмов.

В качестве демонстрации работоспособности такого подхода, математики из “Сколтеха” и США просчитали свойства сплавов, состоящих из трех различных металлов. Результаты этих вычислений совпали с тем, что было ранее получено при помощи методики DFT, но при этом их система машинного обучения выполнила эту задачу в 100 раз быстрее.

Это открывает дорогу для создания “дизайнерских” материалов для конкретных машин, гаджетов и прочих предметов быта, необходимых для существования и развития цивилизации, заключают исследователи.