Machine Learning Meets Quantum Physics

ویرایش: [1st ed.] 
نویسندگان: Kristof T. Schütt,  Stefan Chmiela,  O. Anatole von Lilienfeld,  Alexandre Tkatchenko,  Koji Tsuda,  Klaus-Robert Müller  
سری: Lecture Notes in Physics 968 
ISBN (شابک) : 9783030402440, 9783030402457 
ناشر: Springer International Publishing;Springer 
سال نشر: 2020 
تعداد صفحات: XVI, 467
[473] 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 17 Mb 

قیمت کتاب (تومان) : 68,000



طراحی مولکول‌ها و مواد با خواص مطلوب، پیش‌نیاز مهمی برای پیشرفت فناوری در جوامع مدرن ما است. این امر هم به توانایی محاسبه خواص میکروسکوپی دقیق مانند انرژی‌ها، نیروها و چند قطبی الکترواستاتیکی با پیکربندی‌های خاص نیاز دارد و هم به نمونه‌برداری کارآمد از سطوح انرژی پتانسیل برای به دست آوردن خواص ماکروسکوپی مربوطه. ابزارهایی که می توانند این را فراهم کنند، محاسبات دقیق اصول اول هستند که به ترتیب ریشه در مکانیک کوانتومی و مکانیک آماری دارند. متأسفانه، آنها هزینه محاسباتی بالایی دارند که محاسبات را برای سیستم‌های بزرگ و مقیاس‌های زمانی طولانی ممنوع می‌کند، بنابراین یک گلوگاه شدید هم برای جستجوی فضای ترکیب شیمیایی گسترده و هم برای پیکربندی‌های دینامیکی بسیار زیاد که یک مولکول می‌تواند فرض کند، ایجاد می‌کند.

برای غلبه بر این چالش، اخیراً تلاش‌ها برای تسریع شبیه‌سازی کوانتومی با یادگیری ماشین (ML) افزایش یافته است. این جامعه بین رشته‌ای در حال ظهور شامل شیمیدانان، دانشمندان مواد، فیزیکدانان، ریاضیدانان و دانشمندان رایانه است و نیروهای خود را برای مشارکت در موضوع هیجان‌انگیز یادگیری ماشینی و هوش مصنوعی برای مولکول‌ها و مواد به هم می‌پیوندند.

کتابی که از مجموعه ای از کارگاه ها پدید آمده است تصویری از این زمینه به سرعت در حال توسعه را ارائه می دهد. این شامل مطالب آموزشی است که مبانی مربوطه مورد نیاز در شیمی، فیزیک و همچنین یادگیری ماشین را توضیح می‌دهد تا نقطه شروع آسانی برای خوانندگان علاقه‌مند باشد. علاوه بر این، تعدادی از مقالات تحقیقاتی که وضعیت فعلی را تعریف می کنند گنجانده شده است. این کتاب دارای پنج بخش است (مبانی، ترکیب دانش قبلی، یادگیری عمیق بازنمودهای اتمی، شبیه‌سازی اتمی و کشف و طراحی)، که هر کدام با تفسیر ویراستاری مقدمه می‌شوند که بخش‌های مربوطه را در زمینه علمی گسترده‌تری قرار می‌دهد.

Designing molecules and materials with desired properties is an important prerequisite for advancing technology in our modern societies. This requires both the ability to calculate accurate microscopic properties, such as energies, forces and electrostatic multipoles of specific configurations, as well as efficient sampling of potential energy surfaces to obtain corresponding macroscopic properties. Tools that can provide this are accurate first-principles calculations rooted in quantum mechanics, and statistical mechanics, respectively. Unfortunately, they come at a high computational cost that prohibits calculations for large systems and long time-scales, thus presenting a severe bottleneck both for searching the vast chemical compound space and the stupendously many dynamical configurations that a molecule can assume.

To overcome this challenge, recently there have been increased efforts to accelerate quantum simulations with machine learning (ML). This emerging interdisciplinary community encompasses chemists, material scientists, physicists, mathematicians and computer scientists, joining forces to contribute to the exciting hot topic of progressing machine learning and AI for molecules and materials.

The book that has emerged from a series of workshops provides a snapshot of this rapidly developing field. It contains tutorial material explaining the relevant foundations needed in chemistry, physics as well as machine learning to give an easy starting point for interested readers. In addition, a number of research papers defining the current state-of-the-art are included. The book has five parts (Fundamentals, Incorporating Prior Knowledge, Deep Learning of Atomistic Representations, Atomistic Simulations and Discovery and Design), each prefaced by editorial commentary that puts the respective parts into a broader scientific context.