Reducir el problema cuántico de muchos electrones a dos electrones con el aprendizaje automático | JoVE Visualize

Área de la Ciencia:

Química computacional
La mecánica cuántica
Aprendizaje automático

Sus antecedentes:

El problema de muchos electrones plantea un desafío significativo en la química computacional, con los métodos existentes que se escalan mal con el tamaño del sistema.
El cálculo de las energías moleculares se basa en funciones de onda de dos electrones, pero determinar su distribución de ocupación (ocupaciones geminales) es complejo.
Un principio extendido de "aufbau" ofrece un enfoque físicamente elegante, pero requiere distribuciones de ocupación geminales precisas.

Objetivo del estudio:

Introducir un nuevo paradigma computacional para los cálculos de la estructura electrónica.
Desarrollar un modelo de aprendizaje automático capaz de aprender las distribuciones de ocupaciones geminales.
Para abordar el desafío del problema de muchos electrones en química computacional.

Principales métodos:

Se empleó una red neuronal convolucional para aprender distribuciones aproximadas de ocupación geminal.
La red neuronal fue entrenada en isómeros de hidrocarburos con 2-7 átomos de carbono.
El modelo fue validado prediciendo energías para isómeros de octano e hidrocarburos más grandes (8-15 carbonos).

Principales resultados:

La red neuronal convolucional aprendió con éxito las condiciones de representabilidad N, asegurando distribuciones válidas de electrones.
El modelo predijo con precisión las energías moleculares para los sistemas más allá de su conjunto de entrenamiento.
El enfoque demostró la viabilidad de reducir el problema de muchos electrones a un problema efectivo de dos electrones.

Conclusiones:

El aprendizaje automático ofrece una herramienta poderosa para superar las limitaciones de los métodos de química computacional tradicionales.
Este nuevo paradigma permite predicciones precisas de la estructura electrónica al resolver efectivamente el problema de muchos electrones.
El método desarrollado abre nuevas vías para cálculos de energía molecular eficientes y precisos.