Maskinlæring hjælper med at simulere dynamik af interagerende atomer

En revolutionær maskinlæringstilgang (ML) til at simulere atomernes bevægelser i materialer som aluminium er beskrevet i denne uges Naturkommunikation tidsskrift. Denne automatiserede tilgang til "interatomisk potentialeudvikling" kunne transformere området for opdagelse af computermaterialer.

"Denne tilgang lover at være en vigtig byggesten til studiet af materialeskader og aldring ud fra første principper, " sagde projektleder Justin Smith fra Los Alamos National Laboratory. "Simulering af dynamikken i interagerende atomer er en hjørnesten i forståelse og udvikling af nye materialer. Maskinlæringsmetoder giver computerforskere nye værktøjer til nøjagtigt og effektivt at udføre disse atomistiske simuleringer. Maskinlæringsmodeller som denne er designet til at efterligne resultaterne af meget nøjagtige kvantesimuleringer, til en lille brøkdel af beregningsomkostningerne."

For at maksimere den generelle nøjagtighed af disse maskinlæringsmodeller, han sagde, det er vigtigt at designe et meget forskelligartet datasæt, hvorfra man kan træne modellen. En udfordring er, at det ikke er indlysende, a priori, hvilke træningsdata der vil være mest brug for af ML-modellen. Holdets seneste arbejde præsenterer en automatiseret "aktiv læring"-metode til iterativt at opbygge et træningsdatasæt.

Ved hver iteration, metoden bruger den nuværende bedste maskinlæringsmodel til at udføre atomistiske simuleringer; når der opstår nye fysiske situationer, som ligger uden for ML-modellens viden, nye referencedata indsamles via dyre kvantesimuleringer, og ML-modellen omskoles. Gennem denne proces, den aktive læringsprocedure indsamler data vedrørende mange forskellige typer atomkonfigurationer, inklusive en række krystalstrukturer, og en række defektmønstre, der optræder i krystaller.