دانشمندان چینی با موفقیت از یک مدل هوش مصنوعی و ابرکامپیوتر Oceanlite برای مدلسازی شیمی کوانتومی پیچیده استفاده کردند. این دستاورد با استفاده از ۳۷ میلیون هسته پردازشی انجام شد و پیشازاین تصور میشد فقط از عهده کامپیوترهای کوانتومی برمیآید.
براساس گزارش Tom’s Hardware، در مکانیک کوانتومی وضعیت یک سیستم (مانند موقعیت یا سطح انرژی الکترونها در یک مولکول) توسط «تابع موج» تعریف میشود. مسئله اصلی اینجاست که با افزایش تعداد ذرات، پیچیدگی تابع موج بهصورت نمایی رشد میکند. این حجم عظیم از محاسبات، شبیهسازی دقیق مولکولهای پیچیده را برای ابرکامپیوترهای کلاسیک امروزی تقریباً غیرممکن میکند. به همین دلیل، دانشمندان معمولاً از روشهای تقریبی برای سادهسازی معادلات کوانتومی استفاده میکنند که این روشها نیز دقت را فدا میکنند و معمولاً به مولکولهای کوچک محدود میشوند.
دستاورد دانشمندان چینی برای مدلسازی شیمی کوانتومی
برای عبور از این مانع، فیزیکدانان چندین سال روش جدیدی به نام «شبکه عصبی حالتهای کوانتومی» (NNQS) را پیشنهاد دادند. در این روش، یک مدل هوش مصنوعی برای تقریبزدن و مدلسازی تابع موج پیچیده آموزش میبیند.
اکنون در آزمایش جدید، محققان یک چارچوب NNQS اختصاصی توسعه دادند. شبکه عصبی آنها آموزش دید تا تابع موج مولکول را تقریب بزند و محتملترین مکان الکترونها را پیشبینی کند. سیستم برای هر آرایش الکترونی، انرژی موضعی را محاسبه و شبکه را آنقدر تنظیم کرد تا پیشبینیهایش با الگوی واقعی انرژی کوانتومی مولکول مطابقت یابد.
محققان این شبیهسازی را روی یک سیستم مولکولی با ۱۲۰ اوربیتال اسپین اجرا کردند که بزرگترین محاسبه شیمی کوانتومی مبتنیبر هوش مصنوعی است که تاکنون روی یک ابرکامپیوتر کلاسیک انجام شده است. این محاسبات بزرگ روی ابرکامپیوتر Oceanlite چین و با استفاده از ۳۷ میلیون هسته پردازشی انجام شد.
نکته قابلتوجه این است که ابرکامپیوتر Oceanlite از پردازندههای Sunway SW26010-Pro استفاده میکند که معماری آن برای «محاسبات با کارایی بالا» (HPC) بهینهسازی شده است، نه برای هوش مصنوعی. البته محققان مجبور شدند نرمافزار خود را بازطراحی کنند.
درکل این دستاورد نشان میدهد میتوان از روش NNQS برای تحقیقات واقعی فیزیک کوانتومی روی ابرکامپیوترهای کلاسیک مدرن استفاده کرد. اگرچه هنوز مشخص نیست که آیا استفاده از یک ابرکامپیوتر بسیار بزرگی مانند Oceanlite برای این نوع تحقیقات از نظر مصرف انرژی نیز بهینه است یا خیر.
