Forskere ved Princeton University kombinerede kunstig intelligens og kvantemekanik for at simulere, hvad der sker på molekylært niveau, når vand fryser. Resultatet er den mest komplette endnu simulering af de første trin i is-"kernedannelse", en proces, der er vigtig for klima- og vejrmodellering. Kredit:Pablo Piaggi, Princeton University
Et hold baseret på Princeton University har nøjagtigt simuleret de indledende trin af isdannelse ved at anvende kunstig intelligens (AI) til at løse ligninger, der styrer individuelle atomers og molekylers kvanteadfærd.
Den resulterende simulering beskriver, hvordan vandmolekyler overgår til fast is med kvantepræcision. Dette niveau af nøjagtighed, der engang blev anset for uopnåeligt på grund af mængden af computerkraft, det ville kræve, blev muligt, da forskerne inkorporerede dybe neurale netværk, en form for kunstig intelligens, i deres metoder. Undersøgelsen blev offentliggjort i tidsskriftet Proceedings of the National Academy of Sciences.
"På en vis forstand er dette som en drøm, der er gået i opfyldelse," sagde Roberto Car, Princetons Ralph W. *31 Dornte-professor i kemi, som var pioner for tilgangen til at simulere molekylær adfærd baseret på de underliggende kvantelove for mere end 35 år siden . "Vores håb var dengang, at vi til sidst ville være i stand til at studere systemer som dette, men det var ikke muligt uden yderligere konceptuel udvikling, og den udvikling kom via et helt andet felt, nemlig kunstig intelligens og datavidenskab."
Evnen til at modellere de indledende trin i frysning af vand, en proces kaldet iskernedannelse, kunne forbedre nøjagtigheden af vejr- og klimamodellering samt anden behandling som f.eks. lynfrysning af mad.
Den nye tilgang gør det muligt for forskerne at spore aktiviteten af hundredtusindvis af atomer over tidsperioder, der er tusindvis af gange længere, omend stadig kun brøkdele af et sekund, end i tidlige undersøgelser.
Car var med til at opfinde tilgangen til at bruge underliggende kvantemekaniske love til at forudsige de fysiske bevægelser af atomer og molekyler. Kvantemekaniske love dikterer, hvordan atomer binder til hinanden for at danne molekyler, og hvordan molekyler forbinder sig med hinanden for at danne hverdagsgenstande.
Car og Michele Parrinello, en fysiker nu ved Istituto Italiano di Tecnologia i Italien, offentliggjorde deres tilgang, kendt som "ab initio" (latin for "fra begyndelsen") molekylær dynamik, i et banebrydende papir i 1985.
Men kvantemekaniske beregninger er komplekse og kræver enorme mængder computerkraft. I 1980'erne kunne computere simulere blot hundrede atomer over spændvidder på nogle få billioner af et sekund. Efterfølgende fremskridt inden for databehandling og fremkomsten af moderne supercomputere øgede antallet af atomer og tidsrummet for simuleringen, men resultatet kom langt under det antal atomer, der var nødvendige for at observere komplekse processer såsom iskernedannelse.
AI gav en attraktiv potentiel løsning. Forskere træner et neuralt netværk, opkaldt efter dets ligheder med den menneskelige hjernes funktion, til at genkende et forholdsvis lille antal udvalgte kvanteberegninger. Når det er trænet, kan det neurale netværk beregne kræfterne mellem atomer, som det aldrig har set før med kvantemekanisk nøjagtighed. Denne "machine learning"-tilgang er allerede i brug i hverdagsapplikationer såsom stemmegenkendelse og selvkørende biler.
I tilfælde af kunstig intelligens anvendt til molekylær modellering kom et stort bidrag i 2018, da Princeton kandidatstuderende Linfeng Zhang, der arbejdede med Car og Princeton professor i matematik Weinan E, fandt en måde at anvende dybe neurale netværk til at modellere kvantemekaniske interatomiske kræfter. Zhang, der fik sin ph.d. i 2020 og er nu forsker ved Beijing Institute of Big Data Research, kaldet tilgangen "dyb potentiel molekylær dynamik."
I det aktuelle papir brugte bil- og postdoc-forsker Pablo Piaggi sammen med kolleger disse teknikker på udfordringen med at simulere iskernedannelse. Ved hjælp af dyb potentiel molekylær dynamik var de i stand til at køre simuleringer af op til 300.000 atomer ved at bruge væsentlig mindre computerkraft i meget længere tidsrum, end det tidligere var muligt. De udførte simuleringerne på Summit, en af verdens hurtigste supercomputere, placeret ved Oak Ridge National Laboratory.
Dette arbejde giver en af de bedste undersøgelser af iskernedannelse, sagde Pablo Debenedetti, Princetons dekan for forskning og professor i ingeniørvidenskab og anvendt videnskab fra 1950, og en medforfatter af det nye studie.
"Iskernedannelse er en af de største ukendte mængder i vejrudsigelsesmodeller," sagde Debenedetti. "Dette er et ganske væsentligt skridt fremad, fordi vi ser meget god overensstemmelse med eksperimenter. Vi har været i stand til at simulere meget store systemer, hvilket tidligere var utænkeligt for kvanteberegninger."
I øjeblikket opnår klimamodeller estimater af, hvor hurtigt isen danner kerner, primært fra observationer foretaget i laboratorieforsøg, men disse korrelationer er beskrivende, ikke prædiktive og er gyldige over et begrænset udvalg af eksperimentelle forhold. I modsætning hertil kan molekylære simuleringer af typen udført i denne undersøgelse producere simuleringer, der er forudsigelige for fremtidige situationer, og kan estimere isdannelse under ekstreme temperatur- og trykforhold, såsom på andre planeter.
"Den dybe potentielle metodologi, der bruges i vores undersøgelse, vil hjælpe med at realisere løftet om ab initio molekylær dynamik til at producere værdifulde forudsigelser af komplekse fænomener, såsom kemiske reaktioner og design af nye materialer," siger Athanassios Panagiotopoulos, Susan Dod Brown-professor i kemi. og Biologisk Teknik og en medforfatter til undersøgelsen.
"Det faktum, at vi studerer meget komplekse fænomener fra de grundlæggende naturlove, er for mig meget spændende," sagde Piaggi, undersøgelsens første forfatter og en postdoktoral forskningsassistent i kemi ved Princeton. Piaggi fik sin ph.d. arbejder sammen med Parrinello om udviklingen af nye teknikker til at studere sjældne hændelser, såsom nukleation, ved hjælp af computersimulering. Sjældne hændelser finder sted over tidsskalaer, der er længere end de simuleringstider, der kan tillades, selv ved hjælp af kunstig intelligens, og specialiserede teknikker er nødvendige for at accelerere dem.
Jack Weis, en kandidatstuderende i kemisk og biologisk ingeniørvidenskab, hjalp med at øge sandsynligheden for at observere kernedannelse ved at "så" små iskrystaller ind i simuleringen. "Målet med såning er at øge sandsynligheden for, at vand danner iskrystaller under simuleringen, hvilket giver os mulighed for at måle nukleationshastigheden," sagde Weis, som rådgives af Debenedetti og Panagiotopoulos.
Vandmolekyler består af to brintatomer og et oxygenatom. Elektronerne omkring hvert atom bestemmer, hvordan atomer kan binde sig til hinanden og danne molekyler.
"Vi starter med ligningen, der beskriver, hvordan elektroner opfører sig," sagde Piaggi. "Elektroner bestemmer, hvordan atomer interagerer, hvordan de danner kemiske bindinger og praktisk talt hele kemien."
Atomerne kan eksistere i bogstaveligt talt millioner af forskellige arrangementer, sagde Car, som er direktør for Chemistry in Solution og i Interfaces center, finansieret af US Department of Energy Office of Science og herunder regionale universiteter.
"Magien er, at maskinen på grund af nogle fysiske principper er i stand til at ekstrapolere, hvad der sker i et relativt lille antal konfigurationer af en lille samling af atomer til de utallige arrangementer af et meget større system," sagde Car.
Selvom AI-tilgange har været tilgængelige i nogle år, har forskere været forsigtige med at anvende dem til beregninger af fysiske systemer, sagde Piaggi. "Da maskinlæringsalgoritmer begyndte at blive populære, var en stor del af det videnskabelige samfund skeptiske, fordi disse algoritmer er en sort boks. Maskinlæringsalgoritmer ved ikke noget om fysikken, så hvorfor skulle vi bruge dem?"
I de sidste par år er der dog sket en væsentlig ændring i denne holdning, sagde Piaggi, ikke kun fordi algoritmerne virker, men også fordi forskere bruger deres viden om fysik til at informere maskinlæringsmodellerne.
For Car er det tilfredsstillende at se, at det arbejde, der blev påbegyndt for tre årtier siden, lykkes. "Udviklingen kom via noget, der blev udviklet inden for et andet felt, nemlig datavidenskab og anvendt matematik," sagde Car. "At have denne form for krydsinteraktion mellem forskellige felter er meget vigtigt."
Undersøgelsen, "Homogen iskernedannelse i en ab initio maskinlæringsmodel af vand," af Pablo M. Piaggi, Jack Weis, Athanassios Z. Panagiotopoulos, Pablo G. Debenedetti og Roberto Car, blev offentliggjort i tidsskriftet Proceedings af National Academy of Sciences ugen den 8. august 2022. + Udforsk yderligere
Sidste artikelGrafit ændres til sekskantet diamant på picosekunder
Næste artikelRobotisk bevægelse i buet rum trodser fysikkens standardlove