Maskinlæring fremskynder simuleringer inden for materialevidenskab

Forskning, udvikling, og produktion af nye materialer afhænger i høj grad af tilgængeligheden af ​​hurtige og samtidig nøjagtige simuleringsmetoder. Maskinelæring, hvor kunstig intelligens (AI) selvstændigt erhverver og anvender ny viden, vil snart sætte forskere i stand til at udvikle komplekse materialesystemer i et rent virtuelt miljø. Hvordan virker det, og hvilke applikationer vil gavne? I en artikel offentliggjort i Naturmaterialer tidsskrift, en forsker fra Karlsruhe Institute of Technology (KIT) og hans kolleger fra Göttingen og Toronto forklarer det hele.

Digitalisering og virtualisering bliver stadig vigtigere i en lang række videnskabelige discipliner. En af disse discipliner er materialevidenskab:forskning, udvikling, og produktion af nye materialer afhænger i høj grad af tilgængeligheden af ​​hurtige og samtidig nøjagtige simuleringsmetoder. Det her, på tur, er gavnlig til en lang række forskellige anvendelser – lige fra effektive energilagringssystemer, såsom dem, der er uundværlige for brugen af ​​vedvarende energi, til ny medicin, for hvis udvikling en forståelse af komplekse biologiske processer er påkrævet. AI og maskinlæringsmetoder kan tage simuleringer i materialevidenskab til det næste niveau. "Sammenlignet med konventionelle simuleringsmetoder baseret på klassiske eller kvantemekaniske beregninger, brugen af ​​neurale netværk specielt skræddersyet til materialesimuleringer gør det muligt for os at opnå en betydelig hastighedsfordel, " forklarer fysiker og AI-ekspert professor Pascal Friederich, Leder af forskningsgruppen AiMat—Artificial Intelligence for Materials Sciences ved KIT's Institute of Theoretical Informatics (ITI). "Med hurtigere simuleringssystemer, forskere vil være i stand til at udvikle større og mere komplekse materialesystemer i et rent virtuelt miljø, og at forstå og optimere dem ned til det atomare niveau."

Høj præcision fra atomet til materialet

I en artikel offentliggjort i Naturmaterialer , Pascal Friedrich, som også er associeret gruppeleder for Nanomaterials by Information-Guided Design-afdelingen ved KIT's Institute of Nanotechnology (INT), gaver, sammen med forskere fra University of Göttingen og University of Toronto, en oversigt over de grundlæggende principper for maskinlæring brugt til simuleringer i materialevidenskab. Dette omfatter også dataopsamlingsprocessen og aktive læringsmetoder. Maskinlæringsalgoritmer gør det ikke kun muligt for kunstig intelligens at behandle inputdata, men også for at finde mønstre og sammenhænge i store datasæt, lære af dem, og foretage selvstændige forudsigelser og beslutninger. For simuleringer i materialevidenskab, det er vigtigt at opnå høj nøjagtighed over forskellige tids- og størrelsesskalaer, lige fra atomet til materialet, mens beregningsomkostningerne begrænses. I deres artikel, forskerne diskuterer også forskellige aktuelle anvendelser, såsom små organiske molekyler og store biomolekyler, strukturelt forstyrret fast stof, væske, og gasformige materialer, såvel som komplekse krystallinske systemer – f.eks. metalorganiske rammer, der kan bruges til gaslagring eller til separation, til sensorer eller til katalysatorer.

Endnu mere hastighed med hybridmetoder

For yderligere at udvide mulighederne for materialesimuleringer i fremtiden, forskerne fra Karlsruhe, Göttingen, og Toronto foreslår udviklingen af ​​hybride metoder:disse kombinerer maskinlæring (ML) og molekylær mekanik (MM) metoder. MM-simuleringer bruger såkaldte kraftfelter for at beregne de kræfter, der virker på hver enkelt partikel og dermed forudsige bevægelser. Da potentialerne for ML- og MM-metoderne er ret ens, en tæt integration med variable overgangsområder er mulig. Disse hybridmetoder kan markant accelerere simuleringen af ​​store biomolekyler eller enzymatiske reaktioner i fremtiden, for eksempel.