Grant: Collaborative Science, Technology and Innovation Program - Collaborative R&D Initiatives

The project aims to leverage generative AI methods, including architectures that incorporate Convolution Neural Network (CNN) to find correlation between the molecular ground state energy and violations in exact conditions for the eigenstate wave-function of a molecular Hamiltonian system. The electronic structure problem is the key problem for drug design, catalyst finding, and material development. With the development of new quantum and classical computing algorithms for this problem, there is a question of how accurate the new algorithm will be for compounds of industrial relevance. These compounds are usually large molecules or periodic systems with large unit cells, so the exact solution cannot be obtained using current computing resources. The project proposes to address the question of accuracy prediction by finding transferable correlations between quantities that one can evaluate for any approximate method and whose values are known for the exact wavefunction, the latter will be referred to as indicators. To obtain reliable energy accuracy estimates, the project team will use as a training set exactly-solvable model Hamiltonians and Hamiltonians for small molecular system where the exact answer is known. The machine learning CNNs will be trained to find correlations between energy and indicator errors on a training set. It will be used to predict the accuracy of any computational method generating a wavefunction for molecules of interest.

Le projet vise à exploiter les méthodes génératives d’IA, y compris les architectures qui intègrent le réseau neuronal convolutif pour trouver une corrélation entre l’énergie de l’état fondamental moléculaire et les violations des conditions exactes pour la fonction d’onde de l’état propre d’un système hamiltonien moléculaire. Le problème de la structure électronique est un problème clé pour la conception de médicaments, la recherche de catalyseurs et le développement de matériaux. Avec le développement de nouveaux algorithmes de calcul quantique et classique pour ce problème, la question se pose de savoir dans quelle mesure le nouvel algorithme sera précis pour les composés d’intérêt industriel. Ces composés sont généralement de grandes molécules ou des systèmes périodiques avec de grandes cellules unitaires, de sorte que la solution exacte ne peut pas être obtenue en utilisant les ressources informatiques actuelles. Le projet propose d’aborder la question de la prédiction de la précision en trouvant des corrélations transférables entre des quantités que l’on peut évaluer pour toute méthode approximative et dont les valeurs sont connues pour la fonction d’onde exacte, ces dernières étant appelées indicateurs. Pour obtenir des estimations fiables de la précision énergétique, l’équipe du projet utilisera comme ensemble d’entraînement des hamiltoniens modèles exactement résolubles et des hamiltoniens pour de petits systèmes moléculaires dont la réponse exacte est connue. Les réseaux neuronaux convolutifs d’apprentissage automatique seront entraînés à trouver des corrélations entre les erreurs d’énergie et d’indicateur sur un ensemble d’entraînement. Il sera utilisé pour prédire la précision de toute méthode informatique générant une fonction d’onde pour les molécules d’intérêt.

In the short term, anticipated outcomes will be strengthened collaborations across industry, academia, and government to support research excellence. In the medium term, anticipated outcomes will be the development of new and potentially disruptive technologies with collaborators. In the long term, find collaborative solutions to public policy challenges and create stronger innovation systems.

À court terme, les résultats prévus seront des collaborations renforcées entre l'industrie, le milieu universitaire et le gouvernement pour soutenir l'excellence en recherche. À moyen terme, les résultats attendus seront le développement de nouvelles technologies potentiellement perturbatrices avec des collaborateurs. À long terme, trouver des solutions collaboratives aux défis des politiques publiques et créer des systèmes d'innovation plus solides.

Collaborate on multiparty research and development programs to catalyze transformative, high-risk, high-reward research with the potential for game-changing scientific discoveries and technological breakthroughs in priority areas.

Collaborer à des programmes multipartites de recherche-développement dans le but de profiter de la synergie entre la recherche transformatrice à haut risque et à haut rendement et le potentiel de découvertes scientifiques et de percées technologiques révolutionnaires dans des secteurs d’intervention prioritaires.