Sebuah tim ilmuwan di Freie Universität, Berlin telah mengembangkan metode kecerdasan buatan (AI) untuk menghitung keadaan dasar persamaan Schrödinger dalam kimia kuantum.
Tujuan kuantum kimia adalah untuk memprediksi sifat kimia dan fisik molekul berdasarkan pengaturan atom di ruang angkasa, menghindari kebutuhan untuk eksperimen laboratorium yang intensif, sumber daya dan memakan waktu.
Pada prinsipnya, hal ini dapat dicapai dengan menyelesaikan persamaan Schrödinger, tetapi dalam praktiknya sangat sulit.
Deep Learning yang dilakukan
Hingga kini, tidak mungkin menemukan solusi yang tepat untuk molekul sembarang yang dapat dihitung secara efisien. Tetapi tim di Freie Universität telah mengembangkan metode pembelajaran mendalam (deep learning) yang dapat mencapai kombinasi akurasi dan efisiensi komputasi yang belum pernah terjadi sebelumnya.
AI telah mengubah banyak bidang teknologi dan ilmiah, dari visi komputer ke ilmu material. “Kami yakin bahwa pendekatan kami dapat berdampak signifikan pada masa depan kimia kuantum,” kata Profesor Frank Noé, yang memimpin upaya tim. Hasilnya dipublikasikan di jurnal terkenal, Nature Chemistry.
Inti dari kimia kuantum dan persamaan Schrödinger adalah fungsi gelombang – objek matematika yang secara lengkap menentukan perilaku elektron dalam sebuah molekul.
Fungsi gelombang adalah entitas berdimensi tinggi, dan oleh karena itu sangat sulit untuk menangkap semua nuansa yang menyandikan bagaimana elektron individu saling mempengaruhi.
Metode Lain
Banyak metode kimia kuantum pada kenyataannya menyerah dalam mengekspresikan fungsi gelombang, alih-alih mencoba hanya untuk menentukan energi dari molekul tertentu. Namun membutuhkan perkiraan untuk dibuat, membatasi kualitas prediksi dari metode tersebut.
Metode lain me-representasikan fungsi gelombang dengan penggunaan sejumlah besar blok penyusun matematika sederhana, tetapi metode semacam itu begitu kompleks sehingga tidak mungkin untuk dipraktikkan lebih dari sekadar segelintir atom.
“Menghindari trade-off biasa antara akurasi dan biaya komputasi adalah pencapaian tertinggi dalam kimia kuantum,” jelas Dr. Jan Hermann dari Freie Universität Berlin, yang merancang fitur utama metode dalam penelitian tersebut.
“Sejauh ini, perincian yang paling populer adalah teori fungsional kerapatan yang sangat hemat biaya. Kami percaya bahwa “Quantum Monte Carlo” yang dalam, pendekatan yang kami usulkan, bisa sama jika tidak lebih berhasil. Ini menawarkan akurasi yang belum pernah terjadi sebelumnya dengan biaya komputasi yang masih dapat diterima. “
Jaringan saraf dalam (Deep neural network) yang dirancang oleh tim Profesor Noé adalah cara baru untuk merepresentasikan fungsi gelombang elektron. “Alih-alih pendekatan standar menyusun fungsi gelombang dari komponen matematika yang relatif sederhana, kami merancang jaringan saraf tiruan yang mampu mempelajari pola kompleks tentang bagaimana elektron berada di sekitar inti,” jelas Noé.
“Salah satu ciri khas dari fungsi gelombang elektronik adalah antisimetri mereka. Ketika dua elektron dipertukarkan, fungsi gelombang harus mengubah tandanya. Kami harus membangun properti ini ke dalam arsitektur jaringan neural agar pendekatan tersebut berfungsi, ”tambah Hermann. Fitur ini, yang dikenal sebagai “prinsip pengecualian Pauli”, itulah alasan penulis menyebut metode mereka “PauliNet“.
Masih banyak tantangan yang harus diatasi sebelum metode Hermann dan Noé siap untuk aplikasi industri.
“Ini masih penelitian fundamental,” kata penulis proyek tersebut, “tetapi ini adalah pendekatan baru untuk masalah kuno dalam ilmu molekuler dan material, dan kami sangat senang dengan kemungkinan yang terbuka.“
