تم تدريس الأداة الروسية لحساب خصائص الجزيئات بدقة عالية وموثوقية فيزيائية

نظرية الكثافة الوظيفية هي أداة العمل الرئيسية للكيمياء الحسابية الحديثة، والتي تسمح لنا بفهم كيفية توزيع الإلكترونات في الفضاء حول نواة الجزيء. وبمعرفة هذا التوزيع (كثافة الإلكترون)، يمكننا حساب طاقة الجزيء، وشكله، وقوة روابطه، وخواصه الفيزيائية، وكيف سيتفاعل مع المواد الأخرى. ومع ذلك، فإن الكثافة الوظيفية الدقيقة – وهي الصيغة الرياضية الوحيدة التي يجب أن تنطبق على أي جزيء أو ذرة – لا تزال غير معروفة، لذلك يستخدم الكيميائيون مئات النماذج المختلفة، ولكل منها نقاط القوة والضعف الخاصة بها. تقليديا، يتم إنشاء الوظائف بطريقتين رئيسيتين. في النهج الأول، يتم إنشاء الصيغة الرياضية للدالة بحيث تتبع بدقة القوانين الفيزيائية المعروفة. عادةً ما تتمتع الوظائف التي تم إنشاؤها بهذه الطريقة بدقة مماثلة، ولكنها ليست مثالية، عند تطبيقها على مجموعة واسعة من المركبات. في النهج الثاني – التجريبي – يأخذ العلماء صيغة رياضية مرنة (مع عدد كبير من المعلمات المتغيرة) ويضبطونها على المعلمات المعروفة للتفاعل الكيميائي، على سبيل المثال، إلى مؤشر مقدار الحرارة المنبعثة عند احتراق الميثان. تكون هذه الوظائف دقيقة عند استخدام مركبات مألوفة، ولكن بسبب إهمال بعض القوانين الفيزيائية، كما تبين، فإنها يمكن أن تكون خاطئة جدًا عند حساب مواد جديدة أو خصائص غير مألوفة. قام العلماء بتوسيع النهج الثاني من خلال إنشاء وظائف الشبكة العصبية التي يتم تدريبها على عدد كبير من الجزيئات المعروفة. تحقق مثل هذه النماذج دقة مثيرة للإعجاب، ولكنها، مثل الوظائف التجريبية الأبسط، غالبًا ما “تنسى” الفيزياء – فهي تنتهك القيود المادية، وتتطلب الكثير من بيانات التدريب، ولا تنقل “معرفتها” بشكل جيد إلى أنظمة غير مألوفة. يفرض كل نهج من الأساليب القديمة الاختيار: إما دقة فيزيائية دقيقة ودقة متواضعة، أو دقة جيدة في التعامل مع المركبات المعروفة ومخاطر حدوث أخطاء كبيرة في المركبات غير المعروفة. علماء من معهد الكيمياء العضوية الذي يحمل اسم N.D. Zelinsky RAS (موسكو)، Skoltech (موسكو)، جامعة موسكو الحكومية التي تحمل اسم M.V. اقترح لومونوسوف (موسكو) والمدرسة العليا للاقتصاد (موسكو) نهجًا جديدًا بشكل أساسي لإنشاء وظائف الشبكة العصبية الدقيقة ماديًا. بدلًا من تدريب الشبكة العصبية على إنشاء وظائف من الصفر أو السماح لها بتغييرها بشكل تعسفي، فعل المؤلفون شيئًا مختلفًا. لقد أخذوا وظيفة موجودة تلتزم بشكل صارم بالقوانين الفيزيائية الأساسية، ولكن ذات دقة محدودة في حساب الطاقات، واستكملوها بشبكة عصبية تغير معلمات الوظيفة اعتمادًا على النظام، مع الحفاظ على القيود المادية للنموذج الأصلي. ونشرت نتائج الدراسة، المدعومة بمنحة من مؤسسة العلوم الروسية (RSF)، في مجلة النظرية الكيميائية والحساب. للقيام بذلك، تم تدريب الشبكة العصبية باستخدام أمثلة من الجزيئات ذات قيم الطاقة الدقيقة المعروفة بالفعل، بحيث تعلمت تحديد الأنماط الفيزيائية المخفية بشكل مستقل، وبناءً عليها، ضبط المعلمات الوظيفية دون انتهاك القوانين الفيزيائية. وباستخدام مثل هذه الأداة، أجرى الباحثون حسابات على 30 نوعًا من التفاعلات، حيث تم تحسين كثافة الإلكترون تباعًا حتى يتم الحصول على نتيجة مستقرة. اتضح أن الوظيفة الجديدة، المعززة بشبكة عصبية، تؤدي العمليات الحسابية بشكل أكثر دقة بنسبة 26% تقريبًا من الوظيفة الأصلية بدون شبكة عصبية. وهكذا أثبت العلماء أنه من الممكن أخذ أفضل التطورات في نظرية الكثافة الوظيفية على مدى عقود وتحسينها باستخدام قدرات الشبكات العصبية. على عكس وظائف الشبكة العصبية السابقة، والتي يمكنها تجاهل القوانين الفيزيائية للحصول على الإجابة الصحيحة، فإن الطريقة الجديدة تضمن الامتثال لها. وهذا مهم بشكل خاص لحسابات المركبات الجديدة التي يتم إجراؤها قبل إجراء التجارب. “لم يكن علينا التخلي عن التطورات الكلاسيكية؛ لقد قمنا بتعليم الشبكة العصبية ضبط معلمات الوظيفة الحالية محليًا، مع الحفاظ على المعرفة الفيزيائية الرئيسية التي أدرجها منشئوها فيها. إنه مثل أخذ محرك مصمم جيدًا وضبطه بدقة، بدلاً من محاولة بناء محرك جديد من أجزاء عشوائية. مثل هذه الأداة مفيدة حيثما يكون من الضروري معرفة خصائص المركبات مسبقًا، على سبيل المثال، عند إنشاء أدوية ومحفزات ومواد جديدة. في المستقبل، نخطط للجمع بين النهج الذي تم تطويره في هذا يقول رئيس المشروع، المدعوم بمنحة من مؤسسة العلوم الروسية، ميخائيل ميدفيديف، مرشح العلوم الفيزيائية والرياضية، وكبير الباحثين في مجموعة الكيمياء النظرية في معهد الكيمياء العضوية الذي يحمل اسم إن.