Bilim insanları, makine öğrenimiyle kuantum doğruluğuna yaklaşan yeni bir yöntem geliştirerek malzeme ve molekül simülasyonlarında daha güvenilir tahminler yapmanın yolunu açtı.
ABD’deki ulusal laboratuvarlarda harcanan süper bilgisayar zamanının yaklaşık üçte biri, malzemeleri ve kimyasal reaksiyonları anlamak için kullanılıyor. Bu alandaki en doğru yöntem, elektronların davranışını tek tek modelleyebilen “kuantum çok-cisim problemi” olarak kabul ediliyor. Ancak bu yöntem inanılmaz derecede hesaplama gerektirdiği için yalnızca birkaç elektrona sahip küçük sistemlerde uygulanabiliyor.
Bilim insanları, daha büyük molekülleri ve malzemeleri simüle etmek için density functional theory (DFT) yani “yoğunluk fonksiyonel teorisi”ne başvuruyor. DFT, hesaplama karmaşıklığını azaltmak için elektronları tek tek takip etmek yerine, uzayda dağılımını, aslında yoğunluğunu hesaplıyor.
DFT’nin merkezinde, elektronların birbirleriyle kuantum mekaniği kurallarına uygun şekilde nasıl etkileştiğini tanımlayan “değişim-korelasyon fonksiyonu” (exchange-correlation functional/XC) yer alıyor. Teorik olarak tüm sistemler için geçerli olacak, “evrensel” bir XC fonksiyonunun varlığı biliniyor. Ancak bugüne kadar bu fonksiyonun matematiksel formu çözülemedi.
Bu nedenle bilim insanları, simülasyon yaparken bir ilaç molekülü veya bir batarya malzemesi gibi çalıştıkları her sistem için farklı yaklaşık fonksiyonlar geliştirmek zorunda kaldı. Bu yaklaşımlar pratikte işe yarasa da her zaman bazı belirli sınırlarla karşılaşılıyor ve yüksek doğrulukta tahminler yapmak mümkün olmuyordu.
Michigan Üniversitesinden araştırma ekibi, makine öğrenimi teknolojisini kullanarak bu evrensel fonksiyona ulaşmada önemli bir adım attı. Geleneksel yaklaşımın aksine, problemi tersine çevirdiler.
Önce, az sayıda elektron içeren küçük atom ve molekülleri (lityum, karbon, azot, oksijen, neon, dihidrojen ve lityum hidrür) son derece doğru olan kuantum çok-cisim teorisi ile hesapladılar. Ardından, bir makine öğrenimi modelini eğiterek, bu doğru sonuçları üretebilen XC fonksiyonunun tam olarak ne olduğunu buldular.
Michigan Üniversitesi ekibinin geliştirdiği yeni yöntem, DFT’nin görece basit sayılan ikinci basamak (“rung”) yaklaşımına dayanmasına rağmen, beklenenden çok daha ileri sonuçlar verdi. Normalde bu seviyede yapılan hesaplamalar, elektron yoğunluğunun sadece dağılımı ve yoğunluk değişimleri üzerinden yapılır. Daha yüksek doğruluk içinse üçüncü basamağa çıkmak gerekir; bu basamakta elektronların kinetik enerjileri gibi ilave bilgiler devreye girer. Ancak araştırmacılar, makine öğrenimiyle elde ettikleri yeni XC fonksiyonunu kullanarak, üçüncü basamak modellerle kıyaslanabilir bir doğruluk elde etmeyi başardı. Yani görece düşük hesaplama maliyetine rağmen, oldukça yüksek kesinlik sağlayan bir simülasyon düzeyi yakalandı.
Bu yeni XC fonksiyonu, malzemeden bağımsız. Yani, bir kez doğru bir şekilde tanımlandığında, sadece belirli moleküller için değil, yarı iletkenlerden metallere, yeni batarya malzemelerinden kuantum bilgisayar bileşenlerine ve ilaç moleküllerine kadar çok çeşitli alanlarda doğru simülasyonlar yapılmasını sağlayabilir.
Örneğin, moleküller arasındaki kimyasal bağların daha hassas simülasyonunun mümkün olmasıyla, ilaç adaylarının vücutta nasıl etkileşime gireceğini önceden tahmin etmek mümkün olabilecek. Yani, deneysel testler başlamadan önce hangi moleküllerin daha olumlu sonuçlar verebileceğini görebiliriz.
Ekip, şimdi bu yaklaşımı katı malzemeler üzerinde test etmeyi planlıyor. Evrensel olduğu düşünülen XC fonksiyonunun, hem moleküller hem de katılar için aynı anda çalışıp çalışmayacağını veya farklı fonksiyonların birleştirilmesi gerekip gerekmediğini araştıracaklar. Daha da yüksek doğruluk seviyelerine ulaşmak ise çok daha fazla hesaplama gücü gerektiren bir sonraki zorlu hedef olacak.
Çalışma, 19 Eylül’de Science Advances dergisinde yayımlandı.
