Машинное обучение позволяет выполнять точные расчеты электронной структуры в больших масштабах для моделирования материалов.

7 июля 2023 г.

Эта статья была проверена в соответствии с редакционным процессом и политикой Science X. Редакторы выделили следующие атрибуты, гарантируя при этом достоверность контента:

проверенный фактами

надежный источник

корректура

Ассоциация немецких исследовательских центров имени Гельмгольца

Расположение электронов в веществе, известное как электронная структура, играет решающую роль как в фундаментальных, так и в прикладных исследованиях, таких как разработка лекарств и хранение энергии. Однако отсутствие метода моделирования, обеспечивающего как высокую точность, так и масштабируемость в различных масштабах времени и длины, уже давно является препятствием для прогресса этих технологий.

Исследователи из Центра понимания передовых систем (CASUS) в Центре Гельмгольца Дрезден-Россендорф (HZDR) в Герлице, Германия, и Национальной лаборатории Сандия в Альбукерке, Нью-Мексико, США, впервые разработали метод моделирования на основе машинного обучения, который заменяет традиционные методы моделирования электронных структур.

Программный стек алгоритмов обучения материалов (MALA) обеспечивает доступ к ранее недостижимым масштабам длины. Работа опубликована в журнале npj Computational Materials.

Электроны — это элементарные частицы фундаментального значения. Их квантовомеханические взаимодействия друг с другом и с атомными ядрами порождают множество явлений, наблюдаемых в химии и материаловедении. Понимание и контроль электронной структуры материи дает представление о реакционной способности молекул, структуре и транспорте энергии внутри планет, а также о механизмах разрушения материала.

Научные проблемы все чаще решаются посредством компьютерного моделирования и симуляции, используя возможности высокопроизводительных вычислений. Однако существенным препятствием для достижения реалистичного моделирования с квантовой точностью является отсутствие метода прогнозного моделирования, который сочетает в себе высокую точность с масштабируемостью в различных масштабах длины и времени.

Классические методы атомистического моделирования могут работать с большими и сложными системами, но отсутствие в них квантовой электронной структуры ограничивает их применимость. И наоборот, методы моделирования, которые не полагаются на такие предположения, как эмпирическое моделирование и подбор параметров (методы первых принципов), обеспечивают высокую точность, но требуют больших вычислительных ресурсов. Например, теория функционала плотности (ТПФ), широко используемый метод первых принципов, демонстрирует кубическое масштабирование в зависимости от размера системы, что ограничивает ее прогностические возможности небольшими масштабами.

Теперь команда исследователей представила новый метод моделирования под названием «Алгоритмы обучения материалов» (MALA). В информатике стек программного обеспечения — это набор алгоритмов и программных компонентов, которые объединяются для создания программного приложения для решения конкретной проблемы.

Ленц Фидлер, доктор философии. студент и ключевой разработчик MALA в CASUS, объясняет: «MALA объединяет машинное обучение с подходами, основанными на физике, для прогнозирования электронной структуры материалов. Он использует гибридный подход, используя признанный метод машинного обучения, называемый глубоким обучением, для точного прогнозирования локальных величин. дополненный физическими алгоритмами для вычисления глобальных величин, представляющих интерес».

Программный стек MALA принимает расположение атомов в пространстве в качестве входных данных и генерирует отпечатки пальцев, известные как компоненты биспектра, которые кодируют пространственное расположение атомов вокруг точки декартовой сетки. Модель машинного обучения в MALA обучена прогнозировать электронную структуру на основе этого атомного соседства. Значительным преимуществом MALA является способность модели машинного обучения быть независимой от размера системы, что позволяет обучать ее на данных небольших систем и развертывать в любом масштабе.