机器学习需要材料建模成新时代

电子的排列,称为电子结构,起着至关重要的作用在药物设计等基本还应用研究和能源存储。然而,缺乏模拟技术,同时提供高保真度和可伸缩性在不同的时间和长度尺度一直是这些技术的进步的障碍。研究中心的高级系统理解(案例)Helmholtz-Zentrum Dresden-Rossendorf (HZDR)在格尔利茨,德国,和桑迪亚国家实验室在阿尔伯克基的新墨西哥,美国,已经开创了一个基于机器学习模拟方法(npj计算材料,DOI: 10.1038 / s41524 - 023 - 01070 - z),取代传统的电子结构仿真技术。他们的材料学习算法(玛拉)软件堆栈可以访问以前高不可攀长度尺度。

电子是基本粒子的基本重要性。量子力学相互作用和与原子核产生大量化学和材料科学中观察到的现象。理解和控制物质的电子结构提供了洞察分子的反应活性,结构和能源运输内行星,和材料失效的机制。

科学的挑战越来越多地通过计算建模与仿真,利用高性能计算的功能。然而,一个重要的障碍,实现现实的模拟和量子精密是缺乏一种预测建模技术,结合了精度高和可伸缩性不同长度和时间尺度。经典的原子论的模拟方法可以处理大而复杂的系统,但是他们遗漏的量子电子结构限制了它们的适用性。相反,模拟方法不依赖于假设如实证建模和参数拟合(第一原理方法)提供高保真但计算要求。例如,密度泛函理论(DFT),一种广泛使用的第一原理方法,展品立方与系统规模扩展,从而限制其预测能力小的尺度。

基于深度学习的混合方法

现在的研究小组提出了一种新颖的模拟方法称为材料学习算法(玛拉)软件堆栈。在计算机科学中,一个软件堆栈的算法和软件组件的集合相结合,为解决一个特定问题时,创建一个软件应用程序。楞次菲德勒,博士生和关键开发案例的玛拉玛拉解释说,“将机器学习与基于物理方法来预测材料的电子结构。它使用了一个混合的方法,利用现有机器学习方法称为深度学习准确预测当地的数量,辅以物理算法计算全球大量的兴趣。”

玛拉的软件堆栈的原子的空间排列作为输入,并生成指纹被称为双频谱分量,该编码原子的空间排列在笛卡尔网格点。玛拉是训练中的机器学习模型预测电子结构在此基础上原子附近。玛拉的一个重要优点是它的机器学习模型的能力是独立系统的规模,使其在数据从小型系统训练和部署在任何规模。

在他们的出版物,研究团队展示了卓越的这一策略的有效性。他们取得了1000倍以上的加速系统尺寸小,几千个原子组成的,比传统算法。此外,玛拉团队展示的能力,准确地执行大规模的电子结构计算,包括超过100000个原子。值得注意的是,这种成就是通过温和的计算工作,揭示传统DFT规范的限制。

阿提拉Cangi,代理部门主管在极端条件下的物质在案例,解释说:“随着系统规模的增加和更多的原子,DFT计算变得不切实际,而玛拉的速度优势继续增长。玛拉的关键突破在于其能力操作当地原子环境,使精确的数值预测,受系统规模的影响最小。这个突破性的成就,开启了一种计算可能性,一度被认为是高不可攀。”

促进应用研究的预期

Cangi旨在推动电子结构计算的边界通过利用机器学习:“我们预期,叶将引发一场转型电子结构的计算,我们现在有一个方法来模拟明显增大系统以前所未有的速度。在未来,研究人员将能够应对广泛的社会挑战基于显著提高基线,包括开发新疫苗和能量储存的新材料时,进行大规模的模拟半导体器件,研究材料的缺陷,探索化学反应将大气温室气体二氧化碳转化为气候友好型矿物。”

此外,玛拉的方法尤其适合于高性能计算(HPC)。随着系统规模的增长,叶可以独立处理利用的计算网格,有效利用高性能计算资源,尤其是图形处理单元。湿婆Rajamanickam,科学家和专家在并行计算桑迪亚国家实验室,解释道,“叶电子结构计算的算法映射现代高性能计算系统与分布式加速器。并行分解工作的能力和执行不同的网格点在不同的加速器让叶可扩展的机器学习在HPC的理想匹配资源,导致电子结构计算的无与伦比的速度和效率。”

除了开发伙伴HZDR和桑迪亚国家实验室,叶已经受雇于乔治亚理工学院等机构和公司,北卡罗来纳州的t州立大学Sambanova系统公司和英伟达公司。

参考:菲德勒L,莫迪恩NA, Schmerler年代,et al。预测电子结构与机器学习在任何长度尺度。npj第一版板牙。2023;9 (1):115。doi:10.1038 / s41524 - 023 - 01070 - z

本文从以下转载材料。注:材料可能是长度和内容的编辑。为进一步的信息,请联系引用源。