Molekylær dynamik-simuleringer baseret på maskinlæring viser, hvordan iskorn dannes og smelter sammen i underafkølet vand, hvilket resulterer i is med ufuldkommenheder. Disse simuleringer hjælper videnskabsmænd med at lære om bevægelsen af grænsen mellem iskorn (gul/grøn/cyan) og den stablingsforstyrrelse, der opstår, når sekskantede (orange) og kubiske (blå) stykker is fryser sammen. Disse oplysninger er vigtige i applikationer som klimamodellering og kryogenik. Forskere udførte disse simuleringer på Mira på Argonne Leadership Computing Facility og Carbon ved Center for Nanoscale Materials; ALCF og CNM er begge DOE Office of Science User Facilities. Kredit:Argonne National Laboratory
Mens vand opfattes som et af de enkleste stoffer i verden, modellering af dets adfærd på atom- eller molekylært niveau har frustreret videnskabsmænd i årtier. Til dato, ingen enkelt model har været i stand til nøjagtigt at repræsentere overfloden af vands enestående egenskaber, herunder det faktum, at det er tættest ved en temperatur lidt højere end dets smeltepunkt.
En ny undersøgelse fra det amerikanske energiministeriums (DOE) Argonne National Laboratory har opnået et gennembrud i bestræbelserne på matematisk at repræsentere, hvordan vand opfører sig. For at gøre det, Argonne-forskere brugte maskinlæring til at udvikle en ny, beregningsmæssigt billig vandmodel, der mere præcist repræsenterer vands termodynamiske egenskaber, herunder hvordan vand ændres til is på molekylær skala.
I undersøgelsen, forskere ved Argonne's Center for Nanoscale Materials (CNM) brugte en maskinlæringsarbejdsgang til at optimere en ny molekylær model af vand. De trænede deres model mod omfattende eksperimentelle data for at generere en meget nøjagtig molekylær model af vands egenskaber. CNM er en DOE Office of Science User Facility.
At optimere modelparametre for vand har længe været en udfordring, og mere end 50 forskellige vandmodeller findes i øjeblikket, ifølge Argonne nanoforsker Subramanian Sankaranarayanan, undersøgelsens tilsvarende forfatter.
"Vi forsøger at forstå, hvordan man navigerer i det komplekse parameterrum for en given model for at fange et bredt spektrum af vands egenskaber, hvilket er ekstremt svært, " Sankaranarayanan forklarede. "Der er ingen eksisterende model, der kan redegøre for vands smeltepunkt, dens densitetsmaksimum og densiteten af is, alt på samme tid."
At forsøge at skabe kvantemekaniske eller atomistiske modeller til at fange vands adfærd havde forbløffet forskere, fordi de er så beregningsintensive og stadig ikke formår at gengive mange temperaturafhængige egenskaber ved vand. Ifølge Henry Chan, Argonne postdoc-forsker og hovedforfatter af undersøgelsen, dette er endnu sværere at opnå for simple modeller, som den, der blev brugt i denne undersøgelse.
For forskerne, valget om at bruge hele vandmolekyler som den grundlæggende enhed i modellen tillod dem at udføre simuleringen til lave beregningsomkostninger.
"Mens disse simple modeller traditionelt introducerer en række tilnærmelser og ofte lider af dårlig nøjagtighed, maskinlæring giver os mulighed for at skabe en meget mere præcis model og samtidig bevare enkelheden, " sagde adjunkt ved University of Louisville, Badri Narayanan, en medførsteforfatter af undersøgelsen.
Imidlertid, selv med denne reducerede beregningsudgift, nogle fysiske egenskaber kan være svære at simulere uden storskala supercomputere. Holdet brugte Mira-supercomputeren på Argonne Leadership Computing Facility, en DOE Office of Science brugerfacilitet, at udføre simuleringer af op til 8 millioner vandmolekyler for at studere vækst og dannelse af grænseflader i polykrystallinsk is.
Ifølge den første forfatter og CNM-assistentforsker Mathew Cherukara, denne nye model, kaldet "grovkornet, " opnår en troskab på niveau med modeller, der inkorporerer en beskrivelse på atomniveau. "Traditionelt, du skulle tro, at indførelsen af disse tilnærmelser typisk ville resultere i en langt værre model – en der er effektiv, men som ikke fungerer særlig godt, " sagde han. "Det skønne er, at denne molekylære model ikke har ret til at være så nøjagtig som de atomistiske modeller, men det ender alligevel med at være det."
For at opnå den høje nøjagtighed af den grovkornede model, forskerne trænede modellen ved hjælp af information hentet fra næsten en milliard konfigurationer på atomare skala, der involverer temperaturafhængige egenskaber, som er velkendte. "I bund og grund, sagde vi til vores model, 'se, dette er hvad egenskaberne er, ' og bad den om at give os parametre, der var i stand til at reproducere dem, " sagde Chan.
Træning af modellen involverede, hvad Chan kaldte en "hierarkisk tilgang, "hvor hver kandidatmodel blev sat igennem en række tests eller evalueringer, starter med grundlæggende essentielle egenskaber, før du arbejder sig op til mere komplekse. "Du kan tænke på det som at prøve at lære et barn en færdighed, " sagde Chan. "Du starter med noget grundlæggende og arbejder dig op, når du ser fremskridt."
Forskerne viste også, at deres tilgang kunne bruges til at forbedre ydeevnen af andre eksisterende atomistiske og molekylære modeller. "Vi var i stand til væsentligt at forbedre ydeevnen af eksisterende vandmodeller af høj kvalitet ved hjælp af vores hierarkiske tilgang. I princippet, vi burde være i stand til at gense alle molekylære modeller og hjælpe hver enkelt af dem med at opnå deres bedste ydeevne, " sagde Sankaranarayanan.
Et papir baseret på undersøgelsen, "Maskinindlæring af grovkornede modeller for vand, " optrådte i onlineudgaven den 22. januar af Naturkommunikation . Andre Argonne-forfattere inkluderede Chris Benmore, Stephen Gray, og Troy Loeffler.