Машинное обучение и предсказывает структуру и динамику наночастиц’

Исследователи из центра нанонауки и на факультете информационных технологий Университета Ювяскюля в Финляндии показали, что новые расстояния на основе методов машинного обучения, разработанная в Университете Ювяскюля, способны предсказывать структуры и атомной динамики наночастиц надежно. Новые методы значительно быстрее, чем традиционные методы моделирования, используемые для исследования наночастиц и будет способствовать более эффективному освоению частица-частица реакций и функции частиц в их среде. Исследование было опубликовано в специальном выпуске, посвященном машинному обучению в Журнал физической химии 15 мая 2020,.

Новые методы были применены к лиганд-стабилизированных наночастиц металлов, которые давно учились в Нанонауке центра при Университете Ювяскюля. В прошлом году ученые опубликовали метод, который способен успешно предсказывать связывания стабилизирующих молекул лигандов на поверхности наночастиц. Итак, новый инструмент был создан, что не может достоверно предсказать, потенциал энергии на основе атомной структуры частиц, без необходимости использовать численно тяжелой электронной структуры вычислений. Инструмент облегчает моделирование методом Монте-Карло динамики атома частиц при повышенных температурах.

Потенциальная энергия системы является одним из основных количество вычислительных нанонауки, так как это позволяет для количественной оценки стабильности системы, скоростях химических реакций и прочности межатомных связей. Лиганд-стабилизированных наночастиц металлов имеют много типов межатомных связей различной химической силы, и традиционно энергетической оценки были сделаны с помощью так называемой теории функционала плотности (ТФП), что часто приводит в численно больших объемов вычислений, которые требуют использования суперкомпьютеров. Это не позволяло осуществлять эффективное моделирование для понимания функциональных наночастиц’, например, в качестве катализаторов или взаимодействием с биологическими объектами, таких как белков, вирусов или ДНК. Методы машинного обучения, как обучение надежную модель системы, может ускорить моделирования на несколько порядков.

Новый метод моделирования должен быть запущен на ноутбуке или настольном компьютере

В этой работе ученые использовали потенциал энергии, предсказанных с помощью метода машинного обучения для моделирования атомной динамике тиол-стабилизированных наночастиц золота. Результаты оказались в хорошем согласии с моделирование выполняется с использованием теории функционала плотности. Новый метод моделирования должен быть запущен на ноутбуке или настольном компьютере в масштабе времени в несколько часов, а ссылка моделирование ДПФ потребовалось дней в суперкомпьютер и использовать одновременно несколько сотен или даже тысяч компьютерных ядер. Ускорение позволит долгое время моделирования структурные изменения частиц и частица-частица реакций при повышенных температурах.

Ученые использовали расстояния на основе метода машинного обучения, разработанные в группе профессора Kärkkäinen Томми в Ювяскюля. Он описывает каждый мгновенный атомной конфигурации наночастиц путем вычисления так называемых дескрипторов, и сравнивает расстояния между дескрипторами в многомерном числовом пространстве. С помощью корреляции в учебно-методический комплект создан справочник ТФП моделирование, потенциальная энергия может быть предсказано. Этот подход сейчас используется впервые в наночастицы исследования, является более простым и более прозрачным, чем традиционно используемых нейронных сетей.

«Это чрезвычайно мотивирует, что мы можем уменьшить вычислительную нагрузку от выполнения моделирования на суперкомпьютерах для запуска их с аналогичного качества в ноутбуке или домашнем ПК», — говорит аспирант Антти Pihlajamäki, который является ведущим автором исследования.

«Это был большой сюрприз, что наши относительно простые методы машинного обучения работают так хорошо для сложных наноструктур», — утверждает профессор Kärkkäinen Томми.

«На следующем этапе, наша цель состоит в том, чтобы обобщить метод для работы хорошо для наночастиц различных размеров и химических составов. Мы еще нужны суперкомпьютеры, чтобы создать достаточно качественные данные для обучения алгоритма машинного обучения, но мы надеемся, что в будущем мы можем перейти к использованию этих новых методов прежде всего для исследования наночастиц функциональность в сложных химических средах», — резюмирует академии профессор Ханну Хаккинен, который координировал исследования.

сделать разницу: спонсорские возможности