Il vient de m’être
reproché de traduire des publications
trop difficiles à comprendre !Et il m’a été conseillé , avant de présenter mon travail d’essayer d’éclairer d’abord un peu le sujet pour les lecteurs n’ayant
pas une formation scintifique ! ‘ « LA PHYSIQUE POUR LES
NULS » en somme !)
Je vais essayer d’être un plus pédagogue et déjà pour le sujet d aujourd’ hui vous
expliquer très basiquement deux sujets ….
1 / a quoi
ser l’équation de SCHRODINGER , ?
2/ Qu’appelle
ton l’intelligence articielle ?
888888888888888888888888888
1 /Essentiellement une équation d'onde,
l'équation de Schrödinger décrit la forme des ondes de probabilité qui régissent
le mouvement des particules, et elle
spécifie comment ces ondes sont modifiées par des influences extérieures ( par
exemple évaluer la probabilité que tel electron se trouve à tel endroit autour de son atome )
2/L'intelligence
artificielle (IA) est une vaste branche de l'informatique qui consiste à construire
des machines capables d'exécuter des tâches qui nécessitent généralement le
niveau d’ une intelligence humaine. ... Il s'agit de reproduire ou de simuler les buts et les actions de l'intelligence humaine dans les fonctionnements
machines.
888888888888888888888888888
Voici mon article « Artificial
intelligence solves Schrödinger's equation »
L'intelligence
artificielle résout l'équation de Schrödinger
par Freie Universitaet Berlin
PHOTO /Crédit:
CC0 Public Domain
Une équipe
de scientifiques de la Freie Universität Berlin a développé une méthode
d'intelligence artificielle (IA) pour calculer l'état fondamental de l'équation
de Schrödinger en chimie quantique. L'objectif de la chimie quantique est de
prédire les propriétés chimiques et physiques des molécules en se basant uniquement
sur la disposition de leurs atomes dans l'espace, évitant ainsi le besoin
d'expériences de laboratoire gourmandes en ressources et en temps. En principe,
cela peut être réalisé en résolvant l'équation de Schrödinger, mais en
pratique, cela est extrêmement difficile.
Jusqu'à
présent, il était impossible de trouver une solution exacte pour des molécules arbitrairement
choisies pouvant être calculées efficacement. Mais l'équipe de Freie
Universität a développé une méthode d'apprentissage en profondeur qui peut
atteindre une combinaison sans précédent dans la précision et d'efficacité de
calcul. L'IA a transformé de nombreux domaines technologiques et scientifiques,
depuis la vision par ordinateur jusqu’à à la science des matériaux. «Nous
pensons que notre approche pourrait avoir un impact significatif sur l'avenir
de la chimie quantique», déclare le professeur Frank Noé, qui a dirigé l'effort
de l'équipe. Les résultats ont été
publiés dans la revue réputée Nature Chemistry.
La fonction
d'onde est au cœur de la chimie quantique et de l'équation de Schrödinger, un
objet mathématique qui spécifie complètement le comportement des électrons dans
une molécule. La fonction d'onde est une entité de grande dimension, et il est
donc extrêmement difficile de capturer toutes les nuances qui codent la façon
dont les électrons individuels s'influencent mutuellement. De nombreuses
méthodes de chimie quantique renoncent en fait à exprimer complètement la
fonction d'onde, essayant à contrario de
déterminer uniquement l'énergie d'une molécule donnée. Cela nécessite cependant
des approximations, limitant la qualité de prédiction de telles méthodes.
D'autres
méthodes représentent la fonction d'onde avec l'utilisation d'un nombre immense
de blocs de construction mathématiques simples, mais ces méthodes sont si
complexes qu'elles sont impossibles à mettre en pratique pour plus qu'une
simple poignée d'atomes. «Échapper au compromis habituel entre précision et
coût de calcul est la plus grande réussite en chimie quantique», explique le Dr
Jan Hermann de la Freie Universität Berlin qui a conçu les principales
caractéristiques de la méthode dans l'étude. «À ce jour, la valeur aberrante la
plus populaire est la théorie fonctionnelle de la densité extrêmement rentable.
Nous pensons que notre approche« Monte
Carlo Quantique » approfondie que nous proposons pourrait être tout aussi,
sinon plus efficace. Elle offre une précision sans précédent à un coût de
calcul encore acceptable. "
Le réseau de
neurones profonds conçu par l'équipe du professeur Noé est une nouvelle façon
de représenter les fonctions d'onde des électrons. «Au lieu de l'approche
standard consistant à composer la fonction d'onde à partir de composants
mathématiques relativement simples, nous avons conçu un réseau neuronal
artificiel capable d'apprendre les modèles complexes de localisation des
électrons autour des noyaux», explique Noé. "Une caractéristique
particulière des fonctions d'onde électroniques est leur antisymétrie. Lorsque
deux électrons sont échangés, la fonction d'onde doit changer de signe. Nous
avons dû intégrer cette propriété dans l'architecture du réseau neuronal pour
que l'approche fonctionne", ajoute Hermann. Cette caractéristique, connue
sous le nom de «principe d'exclusion de Pauli», explique pourquoi les auteurs
ont appelé leur méthode «PauliNet».
Outre le
principe d'exclusion de Pauli, les fonctions d'ondes électroniques ont
également d'autres propriétés physiques fondamentales, et une grande partie du
succès innovant de PauliNet est qu'il intègre ces propriétés dans le réseau neuronal
profond, plutôt que de laisser l'apprentissage profond les comprendre en
observant simplement les données. «L'intégration de la physique fondamentale
dans l'IA est essentielle pour sa capacité à faire des prédictions
significatives sur le terrain», déclare Noé. "C'est vraiment là que les
scientifiques peuvent apporter une contribution substantielle à l'IA, et c'est
exactement ce sur quoi mon groupe se concentre."
Il reste
encore de nombreux défis à relever avant que la méthode Hermann et Noé ne soit
prête pour une application industrielle. "Il s'agit toujours de recherche
fondamentale", conviennent les auteurs, "mais c'est une nouvelle
approche d'un problème séculaire dans les sciences moléculaires et matérielles,
et nous sommes enthousiasmés par les possibilités qu'elle ouvre."
8888888888888888888888888
Explore further
Machine learning speeds up quantum chemistry
calculations
More information: Jan Hermann et al.
Deep-neural-network solution of the electronic Schrödinger equation, Nature
Chemistry (2020). DOI:
10.1038/s41557-020-0544-y
Journal
information: Nature Chemistry
Provided by
Freie Universitaet Berlin
88888888888888888888888888888
MES
COMMENTAIRES
Tout physico chimiste des années 60-70 a été
consulter le célèbre livre de
HARRY GRAY / « Electrons and chemical bond » et connait les difficultés que signale l
auteur sur le calcul des orbitales d’électrons
dans un contexte un tant soit peu complexe ….Si vraiment la méthode des auteurs
débouche sur ce qu il décrit , son travail
est de grande valeur , et j’oserai
même dire « nobélisable »…….
Aucun commentaire:
Enregistrer un commentaire