Sinir ağı harika! Birkaç milisaniye içinde moleküler hareketi simüle ederek kuantum mekaniğinin yasalarını kodlamak
Los Alamos Ulusal Laboratuvarı, Chapel Hill'deki Kuzey Carolina Üniversitesi ve Florida Üniversitesi'nden yapılan son araştırmalar, yapay sinir ağlarının, çok çeşitli alanlarda süper simülasyonlar gerçekleştirebilen moleküllerin hareketini tanımlamak için kuantum mekaniği yasalarını kodlamak için eğitilebileceğini gösteriyor. . Los Alamos Laboratuvarlarının teorik bölümünde fizikçi ve büyükşehir araştırmacısı Justin Smith şunları söyledi: Bu, malzemeleri ve moleküler dinamikleri geleneksel kuantum yöntemlerinden daha hızlı modelleyebilirken Aynı doğruluk.
Moleküllerin nasıl hareket ettiğini anlamak, ilaç geliştirmek, protein simülasyonları ve reaksiyon kimyası için gereklidir.Hem kuantum mekaniği hem de deneysel (ampirik) yöntemler simülasyonlara uygulanabilir. ANI-1ccx potansiyeli olarak adlandırılan bu yeni teknolojinin, birçok alandaki araştırmacıların yeteneklerini geliştirmesi ve gelecekteki metal alaşım ve patlayıcı fizik araştırmalarında makine öğrenimi potansiyellerinin doğruluğunu iyileştirmesi bekleniyor.
(Daire kartı buraya eklendi, lütfen görüntülemek için Toutiao istemcisine gidin)Kuantum Mekaniği (QM) algoritmaları klasik bilgisayarlarda kullanılır ve çalışma ortamlarında bileşiklerin mekanik hareketini doğru bir şekilde tanımlayabilir. Bununla birlikte, kuantum mekaniğinin farklı moleküler boyutlar altında genişletilmesi zordur ve bu da olası simülasyon aralığını ciddi şekilde sınırlar. Simülasyonda, moleküler boyuttaki küçük bir artış bile hesaplama yükünü büyük ölçüde artıracaktır.
Bu nedenle, uygulayıcılar genellikle atomların hareketini klasik fizik ve Newton yasalarına göre tanımlayan deneysel bilgilerin kullanımına başvurur ve simülasyonların milyarlarca atoma veya milyonlarca bileşiğe genişletilmesini sağlar. Geleneksel olarak, ampirik eğilim, doğruluk ve aktarılabilirlik arasında bir denge olmalıdır. Bir bileşiğin birçok potansiyel parametresine ince ayar yapılırken, diğer bileşiklerin doğruluğu azalacaktır. Bunun yerine Los Alamos ekibi, Chapel Hill'deki Kuzey Carolina Üniversitesi ve Florida Üniversitesi ile çalıştı. "Transfer öğrenimi" adı verilen bir makine öğrenimi yöntemi geliştirildi.
Milyonlarca başka bileşikten toplanan verilerden öğrenilerek, ampirik potansiyel inşa edilebilir. Makine öğrenimi deneyimi potansiyeline sahip bu yeni yöntem, birkaç milisaniye içinde yeni moleküllere uygulanabilir ve daha uzun bir zaman ölçeğinde daha fazla bileşiğin çalışılmasına olanak tanır. Kimyasal ve biyolojik sistemlerde atomik çözünürlüğün hesaplamalı modeli, kimyagerin araç setinde önemli bir araçtır. Bilgisayar simülasyonunun kullanımının maliyet ve doğruluk arasında bir denge kurması gerekir: kuantum mekaniği yöntemleri yüksek doğruluk sağlar, ancak hesaplama maliyeti yüksektir ve büyük ölçekli sistemlerin ölçeklenebilirliği zayıfken klasik kuvvet alanı düşük maliyetli ve ölçeklenebilirdir, ancak Yeni sistemlere taşınabilirlik eksikliği.
Makine öğrenimi yapay sinir ağları, bu iki yöntemin en iyi sonuçlarını elde etmek için kullanılabilir. Araştırmacılar, reaksiyon termokimyası, izomerizasyon ve ilaç benzeri moleküler burulma kriterlerinde CCSD (T) / CBS'nin doğruluğuna yakın evrensel bir sinir ağı potansiyeli (ANI-1ccx) eğitti. Bu, bir ağı DFT verilerine göre eğiterek ve ardından, kimyasal alanı en uygun şekilde kapsayan altın standart QM hesaplaması (CCSD (T) / CBS) veri setinde yeniden eğitmek için aktarım öğrenme teknolojisini kullanarak elde edilir. Ortaya çıkan potansiyel malzeme bilimi, biyoloji ve kimyada yaygın olarak kullanılmaktadır ve CCSD (T) / CBS hesaplamalarından milyarlarca kat daha hızlıdır.
