Унікальний розробка в галузі машинного навчання відкрила шлях для значних досягнень у галузях хімії та науки про матеріали. Дослідники Лос-Аламоської Національної Лабораторії успішно створили інтератомні потенціали на основі машинного навчання, які мають потужність передбачати молекулярні енергії та сили, що діють на атоми. Ця інновація дозволяє проводити високоефективні симуляції, які економлять час і витрати порівняно з традиційними обчислювальними методами.
Класичний підхід до симуляцій молекулярної динаміки в хімії полягав у використанні фізичних обчислювальних моделей, таких як класичні силові поля або квантова механіка. Хоча квантово-механічні моделі є точними, вони є витратними з обчислювальної точки зору. З іншого боку, класичні силові поля ефективні з обчислювальної точки зору, але не мають точності і підходять лише для конкретних систем. Нова розроблена модель машинного навчання, ANI-1xnr, зв’язує ці підходи, поєднуючи швидкість, точність та загальність.
ANI-1xnr є першим реактивним інтератомним потенціалом на основі машинного навчання, який конкурує з фізичними обчислювальними моделями для масштабних реактивних атомістичних симуляцій. Він має унікальну перевагу у тому, що може застосовуватися до широкого спектру хімічних систем без необхідності постійної адаптації. Автоматизація робочого процесу, яка включає реактивні симуляції молекулярної динаміки, дозволила на проведення всебічного вивчення різних хімічних систем, які містять вуглець, водень, азот і кисень.
ANI-1xnr продемонстрував свою універсальність, успішно вивчаючи ряд систем, включаючи фазові переходи вуглецю, згоряння та хімію передбіотики. Симуляції були перевірені шляхом порівняння результатів з експериментами та традиційними обчислювальними техніками.
Невід’ємною частиною робочого процесу є використання нанореакторних симуляцій, які автономно досліджують реактивний хімічний простір. Цей новаторський підхід усуває необхідність у людській інтуїції, ініціюючи хімічні реакції через високошвидкісні зіткнення молекул. Активне навчання, ще один ключовий компонент, використовує потенціал машинного навчання ANI-1xnr для управління динамікою нанореактора та вибору структур з високим рівнем невизначеності. Цей метод дозволяє забезпечити збільшену точність та надійність в симуляціях.
Розробка ANI-1xnr представляє собою значний рубіж у галузі реактивної хімії в масштабі. На відміну від попередніх технік моделювання, ANI-1xnr не потребує спеціалізованої експертизи області або постійної адаптації для кожного нового випадку використання. Потенціал для вивчення невідомої хімії тепер доступний вченим з різних галузей.
Для полегшення подальших досліджень і співпраці, використаний датасет дослідницького колективу та код ANI-1xnr доступні загальному науковому співтовариству.
Часто задаються питання
The source of the article is from the blog radardovalemg.com