3 мин. чтения
7/12/2023 8:00:14 AM

Машинное обучение позволяет выполнять точные расчеты электронных структур для моделирования материалов

Расположение электронов в материи, известное как электронная структура, играет решающую роль в фундаментальных, но также и прикладных исследованиях, таких как разработка лекарств и хранение энергии. Тем не менее, отсутствие метода моделирования, который обеспечивает как высокую точность, так и масштабируемость в разных масштабах времени и длины, долгое время было препятствием для прогресса этих технологий.

Исследователи из Центра перспективного понимания систем (CASUS) в Центре им. Гельмгольца Дрезден-Россендорф (HZDR) в Гёрлице, Германия, и Сандийской национальной лаборатории в Альбукерке, штат Нью-Мексико, США, в настоящее время впервые разработали метод моделирования на основе машинного обучения, который заменяет традиционные методы моделирования электронных структур.

Их программный стек Materials Learning Algorithms (MALA) обеспечивает доступ к ранее недостижимым шкалам длины. Работа опубликована в журнале npj Computational Materials.

Featured Image 1 Снимок симуляции глубокого обучения. Более 10 000 атомов бериллия Фото: HZDR / CASUS

Понимание и управление электронной структурой материи дает представление о реакционной способности молекул, структуре и переносе энергии внутри планет, а также о механизмах разрушения материала.

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

Классические атомистические методы моделирования могут работать с большими и сложными системами, но отсутствие квантовой электронной структуры ограничивает их применимость. И наоборот, методы моделирования, которые не полагаются на такие предположения, как эмпирическое моделирование и подгонка параметров (методы первых принципов), обеспечивают высокую точность, но требуют больших вычислительных ресурсов. Например, теория функционала плотности (DFT), широко используемый метод первых принципов, демонстрирует кубическое масштабирование с размером системы, тем самым ограничивая свои прогностические возможности малыми масштабами.

Гибридный подход, основанный на глубоком обучении

Команда исследователей представила новый метод моделирования, называемый программным стеком Materials Learning Algorithms (MALA). В информатике программный стек — это набор алгоритмов и программных компонентов, которые объединяются для создания программного приложения для решения конкретной задачи.

Программный стек MALA принимает расположение атомов в пространстве в качестве входных данных и генерирует компоненты биспектра, которые кодируют пространственное расположение атомов вокруг декартовой точки сетки. Модель машинного обучения в MALA обучена предсказывать электронную структуру. Существенным преимуществом MALA является способность модели машинного обучения быть независимой от размера системы, что позволяет обучать ее на данных из небольших систем и развертывать в любом масштабе.

В своей публикации команда исследователей продемонстрировала замечательную эффективность этой стратегии. Они достигли ускорения более чем в 1 раз для систем меньшего размера, состоящих из нескольких тысяч атомов, по сравнению с обычными алгоритмами. Кроме того, команда продемонстрировала способность MALA точно выполнять расчеты электронной структуры в больших масштабах (более 100 000 атомов).

Подробнее: Lenz Fiedler et al, Predicting electronic structures at any length scale with machine learning, npj Computational Materials (2023). DOI: 10.1038/s41524-023-01070-z 🔗

Получи бесплатную еженедельную рассылку со ссылками на репозитории и лонгриды самых интересных историй о стартапах 🚀, AI технологиях 👩‍💻 и программировании 💻!
Присоединяйся к тысячам читателей для получения одного еженедельного письма

Подписывайся на нас:

Нашли ошибку в тексте? Напишите нам.

Добавляй ЛРНЧ в свою ленту Google Новостей.
Читайте далее 📖

Ошеломляющее открытие - металлы могут исцелять себя сами

7/25/2023 · 3 мин. чтения

Ошеломляющее открытие - металлы могут исцелять себя сами

Химики выясняют, почему фотосинтез настолько эффективен

7/10/2023 · 3 мин. чтения

Химики выясняют, почему фотосинтез настолько эффективен