More

    DeepMind abre o FermiNet, uma rede neural que simula o comportamento dos elétrons


    Em setembro, DeepMind da Alphabet publicou um artigo no jornal Pesquisa de revisão física detalhando Fermionic Neural Network (FermiNet), uma nova arquitetura de rede neural que é adequada para modelar o estado quântico de grandes coleções de elétrons. O FermiNet, que a DeepMind afirma ser uma das primeiras demonstrações de IA para computação de energia atômica, agora está disponível em código aberto no GitHub – e aparentemente continua sendo um dos métodos mais precisos até hoje.

    Em sistemas quânticos, partículas como elétrons não têm localizações exatas. Em vez disso, suas posições são descritas por uma nuvem de probabilidade. Representar o estado de um sistema quântico é desafiador, porque as probabilidades devem ser atribuídas a possíveis configurações das posições dos elétrons. Eles são codificados na função de onda, que atribui um número positivo ou negativo a cada configuração de elétrons; a função de onda ao quadrado dá a probabilidade de encontrar o sistema naquela configuração.

    O espaço de configurações possíveis é enorme – representado como uma grade com 100 pontos ao longo de cada dimensão, o número de configurações de elétrons para o átomo de silício seria maior do que o número de átomos no universo. Os pesquisadores da DeepMind acreditavam que a IA poderia ajudar nesse sentido. Eles presumiram que, como as redes neurais historicamente se adaptaram a funções de alta dimensão em problemas de inteligência artificial, também poderiam ser usadas para representar funções de onda quânticas.

    Acima: Elétrons simulados amostrados do FermiNet se movem ao redor de uma molécula de biciclobutano.

    A título de atualização, as redes neurais contêm neurônios (funções matemáticas) organizados em camadas que transmitem sinais de dados de entrada e ajustam lentamente a força sináptica – isto é, pesos – de cada conexão. É assim que extraem recursos e aprendem a fazer previsões.

    Como os elétrons são um tipo de partícula conhecida como férmions, que incluem os blocos de construção da maior parte da matéria (por exemplo, prótons, nêutrons, quarks e neutrinos), sua função de onda deve ser anti-simétrica. (Se você trocar a posição de dois elétrons, a função de onda é multiplicada por -1, o que significa que se dois elétrons estiverem um sobre o outro, a função de onda e a probabilidade dessa configuração serão zero.) Isso levou os pesquisadores do DeepMind a desenvolver um novo tipo de rede neural que era anti-simétrica em relação às suas entradas – o FermiNet – e que tem um fluxo de informação separado para cada elétron. Na prática, o FermiNet faz a média das informações de todos os fluxos e passa essas informações para cada fluxo na próxima camada. Dessa forma, os fluxos têm as propriedades de simetria certas para criar uma função anti-simétrica.

    FermiNet

    Acima: Arquitetura do FermiNet.

    O FermiNet escolhe uma seleção aleatória de configurações de elétrons, avalia a energia localmente em cada arranjo de elétrons e adiciona as contribuições de cada arranjo. Uma vez que a função de onda ao quadrado dá a probabilidade de observar um arranjo de partículas em qualquer local, o FermiNet pode gerar amostras da função de onda diretamente. As entradas usadas para treinar a rede neural são geradas pela própria rede neural, na verdade.

    “Achamos que o FermiNet é o começo de grandes coisas que estão por vir para a fusão de aprendizado profundo e química quântica computacional. A maioria dos sistemas que examinamos até agora são bem estudados e compreendidos. Mas assim como os primeiros bons resultados com aprendizado profundo em outras áreas levaram a uma explosão de trabalho de acompanhamento e rápido progresso, esperamos que a FermiNet inspire muito trabalho na ampliação e muitas ideias para arquiteturas de rede novas e ainda melhores, ”DeepMind escreveu em um blog. “Nós … apenas arranhamos a superfície da física quântica computacional e estamos ansiosos para aplicar o FermiNet a problemas difíceis na ciência dos materiais e também na física da matéria condensada. Principalmente, esperamos que, ao lançar o código-fonte usado em nossos experimentos, possamos inspirar outros pesquisadores a desenvolver nosso trabalho e experimentar novos aplicativos com os quais nem sequer sonhamos. ”

    O lançamento do código FermiNet ocorre após a DeepMind demonstrar seu trabalho em um sistema de IA que pode prever o movimento das moléculas de vidro durante a transição entre os estados líquido e sólido. (Tanto as técnicas quanto os modelos treinados, que também foram disponibilizados em código aberto, podem ser usados ​​para prever outras qualidades de interesse no vidro, disse DeepMind.) Além do vidro, os pesquisadores afirmaram que o trabalho produziu percepções sobre a substância geral e transições biológicas e que poderia levar a avanços em indústrias como manufatura e medicina.


    O problema de áudio:

    Aprenda como as novas soluções de API baseadas em nuvem estão resolvendo áudio imperfeito e frustrante em videoconferências. Acesse aqui



    Artigos Recentes

    O Manchester United não disse se recebeu pedidos de resgate por causa de um ataque cibernético

    O jogo do United na Liga dos Campeões com os turcos do Istanbul Basaksehir ocorreu como planejado na terça-feiraO Manchester United não disse...

    Apostas esportivas e IA: The Ultimate Gamble

    Os apostadores e casas de apostas de esportes estão sempre procurando uma vantagem. As apostas esportivas são uma grande indústria que cresceu...

    Melhores ofertas da Black Friday: ofertas noturnas agora ao vivo em telefones, jogos e muito mais

    Melhores ofertas da Black Friday no Reino Unido 2020: Como o primeiro dia de venda da Black Friday está chegando ao fim, ainda...

    Artigos Relacionados

    DEIXE UMA RESPOSTA

    Por favor digite seu comentário!
    Por favor, digite seu nome aqui