Ученые из Российского квантового центра совместно с коллегами из НИТУ МИСиС повысили производительность фермионной нейронной сети (FermiNet), созданной дочерней компанией Google, британским разработчиком систем искусственного интеллекта DeepMind. В ходе эксперимента, выполненного при поддержке РНФ и исследовательского центра Nissan, специалисты применили нейросеть FermiNet и облачную платформу квантовых вычислений QBoard для моделирования химических систем большего размера. Результаты описаны в научном журнале International Journal of Quantum Chemistry.
Фото: Дмитрий Лебедев, Коммерсантъ
Фото: Дмитрий Лебедев, Коммерсантъ
Исследователи в самых разных областях науки регулярно используют вычислительные архитектуры на основе искусственных нейронных сетей, чтобы анализировать огромные объемы данных и прогнозировать поведение отдельных систем. Так, в 2020 году DeepMind впервые применил фермионную нейросеть для решения одной из ключевых задач в области химии — уравнения Шредингера для электронов в молекулах.
Большинство задач в квантовой механике не могут быть решены с получением точного ответа, поэтому ученые вынуждены использовать аппроксимацию — научный метод, состоящий в поиске приблизительных значений за счет замены объектов упрощенными аналогами. Варьируя свободные параметры, физикам удается находить волновые функции, наиболее точно описывающие состояние системы. Эта форма поиска — анзац — активно применяется в квантовой химии, поскольку моделирование элементарных химических реакций все еще дается ученым с большим трудом даже для малого числа атомов в системе.
В рамках эксперимента совместная команда из физиков, химиков и специалистов в области машинного обучения использовала в качестве анзаца архитектуру FermiNet. Далее эксперты приступили к итеративному улучшению нейросети за счет обновленной процедуры ее обучения. В ходе расчетов использовались инструменты облачной платформы квантовых вычислений QBoard. Ученые не только получили возможность симулировать системы большей размерности, чем позволяла оригинальная архитектура FermiNet, но и повысили точность классических вычислений в электрон-ядерном и электрон-электронном взаимодействии.
Результаты были продемонстрированы в процессе моделирования азота, угарного газа, этилена, фтороводорода и ряда других молекул. В перспективе полученные данные могут использоваться в фармакологии для создания новых лекарств, материаловедении и топливной промышленности.
На вопросы «Ъ-Науки» ответил Алексей Федоров, руководитель научной группы «Квантовые информационные технологии» Российского квантового центра:
— Что такое фермионная нейронная сеть?
— Описание квантовых систем зачастую затруднено, особенно если они состоят из большого количества частиц. Одна из идей описания — попытка угадать решение. Предполагая форму решения, можно заложить какое-то количество свободных параметров, которые будут оптимизированы в процессе. Последние годы в качестве таких догадок стали применяться нейронные сети — представление квантовых состояний, параметризованных сетью нейронов. Возможным подходом для нейросетевого описания фермионных систем является метод так называемой фермионной нейросети (FermiNet), изначально предложенной компанией DeepMind. Фермионная сеть позволяет компактно упаковать описание сложной многочастичной фермионной системы, например молекулы. Можно научить такую нейронную сеть описывать состояния молекул.
— Что такое облачная платформа квантовых вычислений QBoard?
— Облачная платформа квантовых вычислений QBoard представляет собой набор инструментов для программирования прежде всего квантовых устройств. На сегодняшний день она является единственным прикладным инструментом в области квантовых вычислений, с помощью которого исследователи и представители бизнеса могут решать сложные вычислительные задачи, не приобретая дорогостоящее оборудование. Вместе с тем с учетом достаточно ранней стадии развития квантовых технологий платформа дополнена большим арсеналом инструментов для классических вычислительных технологий, например графическими процессорами, которые могут быть эффективно использованы при расчетах с использованием нейросетевых анзацев.
— Что дает ученым комбинация методов машинного обучения и квантовой химии?
— Комбинация методов квантовой химии и машинного обучения может позволить увеличить размер систем, подлежащих описанию. Например, более простыми методами рассчитывать достаточно простые молекулы. Для тех систем, которые были проанализированы, результаты совпадали с классическими методами. В будущем, как мы полагаем, найдутся новые направления, которые позволят улучшить методы использования нейронных сетей в квантовой химии, а также использовать новые типы представлений при моделировании квантовых систем. Сами по себе исследования в области квантовой химии полезны для материаловедения и фармакологии.
Подготовлено при помощи Российского квантового центра.
Использованы материалы статьи.