بررسی ساختار الکترون های محلول توسط ML
هدف از علم یادگیری ماشین ساخت عامل های هوشمندی می باشد که توانایی یادگیری با استفاده از مثالهای داده شده به آنها و از طریق تجربیات خودشان را داشته باشند.در واقع، در این فناوری تلاش میشود تا با بهرهگیری از الگوریتمهای هوش مصنوعی، یک ماشین به شکلی طراحی شود که بدون برنامهریزی صریح بتواند بیاموزد و عمل کند.
ادغام این علم با دنیای ماده و شیمی میتواند نتایج شگفت انگیزی به همراه داشته باشد و اخیرا دانشمندان یک تئوری همزیستی جدیدی ارائه کردند که امکان شبیه سازی دقیق گونه های شیمیایی پیچیده مانند الکترون های محلول را با استفاده از یادگیری ماشین در اختیار شما قرار می دهد.
همانطور که میدانید الکترون ها ذرات زیر اتمی هستند که بار آنها از نظر بزرگی برابر با بار پروتون ولی با علامت مخالف است ولی در این مقاله به بررسی الکترون های محلول که یک مسئله چالش برانگیز می باشد میپردازیم.
الکترون های محلول در آب که دارای رنگ آبی مشخصی هستند و همچنین الکترون های موجود در تابش و شیمی پلاسما که نقش مهمی در آسیب تابشی دارند ، نمونه هایی از الکترون های حل شده می باشند که درغلظتهای کم تولید شده و عمر کوتاهی دارند . و برخلاف مواد شیمیایی طبیعی ، تمرکز و جداسازی آنها غیرممکن است.
براین اساس مشاهده مستقیم ساختار آنها به صورت تجربی و با استفاده از روش های پراش یا NMR دست نیافتنی است و بسیار بعید بنظر می رسد. ولی وجود این مشکل موجب ایجاد فرصت ها برای مدل سازی نظری می شود.
پژوهشگری به نام مارکوس نظریه ای برای چگونگی انجام واکنش الکترون های حل شده ارائه داد. او در نظریه خود الکترن را مانند یک مدل قطبی جدا شده با فرض اینکه توانایی شکست پیوند هیدروژنی قوی را ندارد ، تشبیه کرد. و انرژی خود را روی سختار حفره ای که توسط چهار یا پنج مولکول تشکیل می شود متمرکز ساخت و همچنین از نظریه مولر-پلست مبنی بر شبیه سازی دینامیک مولکولی متراکم نیز بهره برد. ولی نهایتا تلاش او برای شناسایی این واکنش بی نتیجه بود و بینش جدیدی ارائه نداد و به توصیف آماری کاملی دست نیافت.
تنها راهکار و پاسخ مدرن به این چالش استفاده از یادگیری ماشین یا ML می باشد. ایجاد یک میدان نیروگاهی ML با سطح انرژی PES بر اساس داده های اولیه ، یک راهکار مناسبی برای حل این معما می باشد که از لحاظ هزینه و انرژی در مقایسه با محاسبات ساختار الکترونیکی بسیار ناچیز است.
همانطور که میدانید الکترون یک محلول غیر معمولی می باشد که فاقد فرمول اتمی است ، و ML PES با نمایش های اتمی سر و کار دارد و این مسئله دومین چالشی بود که پژوهشگران را وادار به حل آن کرد.
ولادیمر ریبکین محقق دانشگاه زوریخ به بررسی ساختار الکترونیکی و الکترونهای حل شده پرداخت و با ترکیب دانش میشل سریوتی بدون استفاده از الکترون اضافی به این چالش پاسخ داد و نتایج شگفت انگیزی حاصل شد.
در این مدل به طور کامل مشخص شد که الکترون محلول عاملی است که ساختار آب مایع مرتب را مخدوش می کند ولی وجود آن در مدل به صورت تجربی قابل مشاهده نبود و فناوری ML الکترون محلول را به عنوان یک ذره شبح شبیه سازی کرد ، که به صراحت در مدل وجود ندارد.
با دستیابی به این فناوری امکان شبیه سازی هسته های کوانتومی با هزینه های کمتر و از طریق پویایی مولکولی فراهم شد و پیاده سازی تئوری های ساختار الکترونیکی در سطح بالا یکی دیگر از دستاوردهای این سیستم می باشد.

بررسی ساختار الکترون های محلول توسط ML
بررسی اثرات کوانتومی هسته ای ، دانشمندان را در دست یابی به طیف ارتعاشات دقیق و توصیف آماری صحیح کمک میکند و از همه مهم تر تنها راه نمایش اتفاقات غیر معمول مانند نحوه واکنش الکترون های محلول می باشد.
موفقیت شگفت انگیز درشناسایی رویکرد ذرات شبح که در این مقاله برای الکترون محلول معرفی شده است ، فرصت های جدیدی را برای همزیستی نظریه ساختار الکترونیکی سطح بالا با یادگیری ماشین ایجاد می کند. این حالت را می توان در حالت های برانگیخته و ذرات نیمه شبح مانند قطب ها نیز به کار برد ، که امکان شبیه سازی دینامیکی با دقت بالا و هزینه کمتر را فراهم می کند.