یک پیشرفت قابل توجه در یادگیری ماشین، راه را برای پیشرفت‌های چشمگیر در زمینه‌های شیمی و علوم مواد باز کرده است. محققان در آزمایشگاه ملی لوس آلاموس با موفقیت پتانسیل‌های بین‌ذره‌ای یادگیری ماشینی را ایجاد کرده‌اند که توانایی پیش‌بینی انرژی‌های مولکولی و نیروهای عمل کننده بر اتم‌ها را دارند. این نوآوری امکان شبیه‌سازی‌های بسیار کارآمد را فراهم می‌کند که زمان و هزینه را نسبت به روش‌های محاسباتی سنتی صرفه‌جویی می‌کند.
رویکرد سنتی به شبیه‌سازی‌های دینامیکی مولکولی در شیمی، بستگی به مدل‌های محاسباتی مبتنی بر فیزیک دارد، مانند میدان‌های نیروی کلاسیک یا مکانیک کوانتوم. در حالی که مدل‌های مکانیک کوانتومی دقیق هستند، اما هزینه‌های محاسباتی دارند. از سوی دیگر، میدان‌های نیروی کلاسیک به محاسبات کارآمد هستند اما دقت کمی دارند و تنها برای سیستم‌های خاص مناسب هستند. مدل یادگیری ماشین تازه توسعه یافته، ANI-1xnr، این فاصله را با ترکیب سرعت، دقت و عمومیت پوشش می‌دهد.
ANI-1xnr اولین پتانسیل بین‌ذره‌ای یادگیری ماشینی واکنشگر است که با مدل‌های محاسباتی مبتنی بر فیزیک برای شبیه‌سازی‌های اتمی واکنشگر بزرگ مسابقه می دهد. این دارای مزیت منحصر به فردی است که قابلیت استفاده در یک دامنه وسیع از سیستم‌های شیمیایی را بدون نیاز به تنظیم مداوم فراهم می‌کند. اتوماسیون گردش کار، که شبیه‌سازی‌های دینامیکی مولکولی واکنشگر را دربرمی‌گیرد، به مطالعات جامع انواع سیستم‌های شیمیایی شامل کربن، هیدروژن، نیتروژن و اکسیژن اجازه داد.
ANI-1xnr وسعت قابلیت‌های خود را با موفقیت برخی از سیستم‌ها مانند گذارهای فاز کربن، احتراق و شیمی پیشیابی مورد مطالعه قرار داد. اعتبار شبیه سازی‌ها از طریق مقایسه نتایج با آزمایشات و تکنیک‌های محاسباتی سنتی تأیید شد.
یک بخش اساسی از گردش کار استفاده از شبیه‌سازی‌های نانوماده است که به طور خودکار فضای شیمیایی واکنشگر را بررسی می‌کنند. این رویکرد نوآورانه نیاز به ذهنیت انسانی را برطرف می کند با ایجاد واکنش‌های شیمیایی از طریق برخوردهای سریع مولکول‌ها. یک عنصر کلیدی دیگر، یادگیری فعال، از پتانسیل یادگیری ماشین ANI-1xnr برای راندمان بهره می‌برد و ساختارهای با سطوح بالای عدم قطعیت را انتخاب می‌کند. این روش، دقت و قابلیت اطمینان بیشتری را در شبیه‌سازی‌ها انتظار می‌رود.
توسعه ANI-1xnr نشانگر یک مرحله مهم در زمینه شیمی واکنشگر به مقیاس است. بر خلاف تکنیک های مدل سازی قبلی، ANI-1xnr نیاز به دانش حوزه یا تنظیم مداوم برای هر مورد استفاده جدید ندارد. این پتانسیل برای مطالعه شیمی ناشناخته از طریق علممداران از دامنه های مختلف دسترسی پذیر است.
برای آسان‌تر کردن تحقیقات و همکاری بیشتر، تیم تحقیقاتی مجموعه داده استفاده شده و کد ANI-1xnr را به طور عمومی به جامعه تحقیقاتی در اختیار قرار داده است.
سوالات متداول
The source of the article is from the blog kewauneecomet.com