Kemikere lærer computerprogram til at modellere kræfter mellem atomer nøjagtigt

Et team af forskere fra MIPT, Skoltech, og Dukhov Research Institute of Automatics, ledet af Artem Oganov, brugte en machine learning -teknik til at modellere opførslen af ​​aluminium og uran i de flydende og krystallinske faser ved forskellige temperaturer og tryk. Sådanne simuleringer af kemiske systemer kan forudsige deres egenskaber under en række betingelser, før eksperimenter udføres, muliggøre yderligere arbejde med kun de mest lovende materialer. Forskningsresultaterne blev offentliggjort i tidsskriftet Videnskabelige rapporter .

Computerkemi

Hurtige fremskridt inden for videnskaben i løbet af de sidste 100 år har resulteret i opdagelsen af ​​et forbløffende antal organiske og uorganiske forbindelser, protein- og lipidstrukturer, og kemiske reaktioner. Men med alle disse nye strukturer og molekyler, en stigende tid er nødvendig for at studere deres makeup, biokemiske og fysiske egenskaber og at teste modellerne for deres adfærd under forskellige forhold og deres mulige interaktioner med andre forbindelser. Sådan forskning kan nu fremskyndes ved hjælp af computermodellering.

Kraftfeltmetoden er i øjeblikket den dominerende modelleringsteknik. Det gør brug af et sæt parametre, der beskriver et givet biokemisk system. Disse inkluderer bindingslængder, vinkler og ladninger, blandt andre. Imidlertid, denne teknik er ikke i stand til at gengive de kvantemekaniske kræfter, der spiller i molekyler, nøjagtigt. Nøjagtige kvantemekaniske beregninger er tidskrævende. Derudover de muliggør kun forudsigelser af adfærd for prøver, der i bedste fald er flere hundrede atomer store.

Maskinlæringsmetoder til molekylær modellering er af stor interesse for kemikere. De muliggør modeller, der er uddannet i relativt små datasæt opnået ved hjælp af kvantemekaniske beregninger. Sådanne modeller kan derefter erstatte kvantemekaniske beregninger, fordi de er lige præcise og kræver omkring 1, 000 gange mindre computerkraft.

Fremskridt med maskinlæringsværktøjer, der modellerer interaktioner mellem atomer

Forskerne brugte maskinlæring til at modellere interaktionerne mellem atomer i krystallinsk og flydende aluminium og uran. Aluminium er et velstuderet metal, hvis fysiske og kemiske egenskaber er kendt af forskere. Uran, derimod, blev valgt, fordi der er modstridende offentliggjorte data om dets fysiske og kemiske egenskaber, som forskerne søgte at definere mere præcist.

Papiret beskriver deres undersøgelse af sådanne materielle egenskaber som fonontætheden i tilstande, entropi, og smeltetemperaturen for aluminium.

"Størrelsen af ​​interatomiske kræfter i krystaller kan bruges til at forudsige, hvordan atomer af det samme element vil opføre sig under forskellige temperaturer og i en anden fase, "siger Ivan Kruglov fra Computational Materials Design Laboratory på MIPT." Af samme grund, du kan bruge dataene om en væskes egenskaber til at finde ud af, hvordan atomerne vil opføre sig i en krystal. Det betyder, at ved at finde ud af mere om krystalstrukturen i uran, vi kan til sidst rekonstruere hele fasediagrammet for dette metal. Fasediagrammer er diagrammer, der angiver elementernes egenskaber som funktion af tryk og temperatur. De bruges til at bestemme grænserne for anvendelsen af ​​et givet element. "

For at sikre, at data fra computersimuleringer er gyldige, de sammenlignes med eksperimentelle resultater. Metoden, som forskerne brugte, var i god overensstemmelse med tidligere forsøg. De oplysninger, der blev indhentet med metoden baseret på maskinlæring, havde en lavere fejlprocent, sammenlignet med modelleringsteknikkerne ved hjælp af kraftfelter.

I dette studie, forfatterne forbedrer deres 2016 -resultater med hensyn til hastigheden og nøjagtigheden af ​​atomsystemmodellering ved hjælp af maskinlæring.