Een kunstmatig intelligent (AI) computersysteem kan chemische eigenschappen van moleculen voorspellen door de schrödingervergelijking op te lossen. Hiermee betreedt de AI het terrein van de quantumchemie. De nieuwe methode, die ontwikkeld is door een onderzoeksgroep van de Freie Universität Berlin, haalt een ongekende nauwkeurigheid en efficiëntie.

Het doel van quantumchemie is om de chemische en fysische eigenschappen van moleculen te voorspellen met quantummechanica. In theorie is dit mogelijk door de schrödingervergelijking op te lossen voor de aanwezige elektronen. Deze quantummechanische vergelijking beschrijft de kans dat je de elektronen die rond de moleculen draaien op een bepaalde plek aantreft. Hiermee zou je chemische reacties bijna perfect kunnen voorspellen.

Dit is een geweldig vooruitzicht. Als wetenschappers materiaaleigenschappen op een dergelijk atomair niveau begrijpen, dan kunnen ze materialen beter en efficiënter ontwerpen – van zonnecellen en batterijen tot medicijnen.

Dokter Dog wil graag even aan u ruiken
LEES OOK
Dokter Dog wil graag even aan u ruiken

Quantum Monte Carlo

Zover zijn we helaas nog niet. Zelfs de nieuwe AI-methode is slechts een veelbelovende stap. Op dit moment kan de schrödingervergelijking alleen voor waterstof – met één elektron het meeste simpele atoom – exact opgelost worden. Elk elektron in een atoom of molecuul vereist namelijk een eigen, complexe wiskundige beschrijving (genaamd golffunctie). Bovendien hebben al die elektronen wisselwerkingen met elkaar en met hun omgeving. Dat maakt het extreem lastig om het gedrag van alle elektronen in een molecuul goed te beschrijven.

Om een redelijke voorspelling te geven voor ingewikkeldere atomen en moleculen gebruiken wetenschappers trucjes. Ze doen bijvoorbeeld een flink aantal aannames, waardoor de berekeningen simpeler worden. Maar omdat aannames nooit helemaal kloppen, levert dit minder goede voorspellingen op dan exacte berekeningen.

Een andere techniek die nu gebruikt wordt, is om de quantumberekeningen op te knippen in kleinere wiskundige ‘stukjes’. Deze stukjes apart berekenen en combineren vereist veel rekenkracht en dus krachtige computers en hoge rekenkosten. Deze methode is bovendien zo complex dat die alleen werkt voor moleculen met een handjevol atomen.

‘Ontsnappen aan deze afweging tussen nauwkeurigheid en rekenkosten is het hoogste doel in de quantumchemie’, vertelt Jan Hermann van de Freie Universität Berlin. ‘Wij denken dat de diepgaande ‘Quantum Monte Carlo’-benadering die we voorstellen, even succesvol of zelfs succesvoller kan zijn dan de huidige beste methode. De benadering biedt een ongekende nauwkeurigheid en acceptabele rekenkosten.’

AI leert quantumeigenschappen

De Duitse onderzoeksgroep ontwikkelde een methode waarbij ze de schrödingervergelijking niet opknippen in wiskundige stukjes. In plaats daarvan hebben ze een kunstmatig neuraal netwerk – een zogeheten deep learning-netwerk – ontworpen dat de complexe patronen kan leren waarin de elektronen ronddraaien.

In tegenstelling tot andere AI-netwerken lieten de onderzoekers hun netwerk niet zelf opnieuw het wiel uitvinden. Ze bouwden bepaalde (quantum)eigenschappen van elektronen alvast in het netwerk in. Zo bleek in het begin van de twintigste eeuw dat twee elektronen niet tegelijkertijd dezelfde ‘quantumtoestand’ kunnen bezetten. Dit zogeheten uitsluitingsprincipe van Pauli betekent bijvoorbeeld dat twee elektronen die om een atoomkern draaien alleen in dezelfde baan kunnen zitten als ze een van hun eigenschappen aanpassen, waardoor ze net van elkaar verschillen en dus niet precies dezelfde quantumtoestand bezetten. Omdat onder meer deze eigenschap is ingebouwd, noemen de onderzoekers hun AI-methode ‘PauliNet’.

Door deze natuurkundige wetmatigheden vast in te bouwen, konden de onderzoekers goede quantumchemische voorspellingen doen voor enkele grotere atomen – zoals boor – en voor een moleculaire ketting van tien waterstofatomen. Dat lukte met slechts tien minuten rekentijd van een enkele computer. Volledig exact de schrödingervergelijking oplossen voor grotere moleculen kan PauliNet nog niet. Er is nog meer werk nodig voordat deze methode echt toegepast kan worden. Maar de onderzoekers zijn ‘enthousiast over de mogelijkheden die dit biedt’.