Maskinlæring forudsiger nanopartikelstruktur og dynamik

Forskere ved Nanoscience Center og ved Fakultetet for Informationsteknologi ved Universitetet i Jyväskylä i Finland har vist, at nye fjernbaserede maskinlæringsmetoder udviklet ved Jyväskylä Universitet er i stand til at forudsige strukturer og atomdynamik af nanopartikler pålideligt. De nye metoder er væsentligt hurtigere end traditionelle simuleringsmetoder, der bruges til forskning i nanopartikler og vil lette mere effektive udforskninger af partikel-partikel-reaktioner og partiklers funktionalitet i deres miljø. Undersøgelsen blev offentliggjort i et særligt nummer om maskinlæring i Journal of Physical Chemistry den 15. maj, 2020.

De nye metoder blev anvendt på ligandstabiliserede metalnanopartikler, som længe er blevet studeret på Nanoscience Center ved Jyväskylä Universitet. Sidste år, forskerne publicerede en metode, der er i stand til med succes at forudsige bindingssteder for de stabiliserende ligandmolekyler på nanopartikeloverfladen. Nu, et nyt værktøj blev skabt, der pålideligt kan forudsige potentiel energi baseret på partiklens atomare struktur, uden behov for at bruge numerisk tunge elektroniske strukturberegninger. Værktøjet letter Monte Carlo-simuleringer af partiklernes atomdynamik ved forhøjede temperaturer.

Et systems potentielle energi er en grundlæggende størrelse i beregningsmæssig nanovidenskab, da det giver mulighed for kvantitative evalueringer af systemets stabilitet, hastigheder af kemiske reaktioner og styrker af interatomare bindinger. Ligandstabiliserede metalnanopartikler har mange typer interatomiske bindinger med varierende kemisk styrke, og traditionelt er energievalueringerne blevet udført ved at bruge den såkaldte density functional theory (DFT), der ofte resulterer i numerisk tunge beregninger, der kræver brug af supercomputere. Dette har udelukket effektive simuleringer til at forstå nanopartiklers funktionaliteter, f.eks., som katalysatorer, eller interaktioner med biologiske objekter såsom proteiner, vira, eller DNA. Maskinlæringsmetoder, en gang trænet i at modellere systemerne pålideligt, kan fremskynde simuleringerne med flere størrelsesordener.

Den nye metode gjorde det muligt at køre simuleringer på en bærbar eller desktop

I dette arbejde brugte forskerne de potentielle energier, forudsagt af maskinlæringsmetoden, at simulere den atomare dynamik af thiol-stabiliserede guld nanopartikler. Resultaterne var i god overensstemmelse med simuleringerne udført ved brug af tæthedsfunktionsteorien. Den nye metode gjorde det muligt at køre simuleringer på en bærbar eller stationær computer i en tidsskala på et par timer, mens reference-DFT-simuleringerne tog dage i en supercomputer og brugte samtidig hundredvis eller endda tusindvis af computerkerner. Fremskyndelsen vil muliggøre langtidssimuleringer af partiklernes strukturelle ændringer og partikel-partikel-reaktioner ved forhøjede temperaturer.

Forskerne brugte en fjernbaseret maskinlæringsmetode udviklet i gruppen af ​​professor Tommi Kärkkäinen i Jyväskylä. Den beskriver hver momentan atomkonfiguration af en nanopartikel ved at beregne en såkaldt deskriptor, og sammenligner afstande mellem deskriptorer i et multidimensionelt numerisk rum. Ved at bruge korrelationer til et træningssæt skabt af reference DFT-simuleringerne, den potentielle energi kan forudsiges. Denne tilgang, bruges nu for første gang i nanopartikelforskning, er enklere og mere gennemsigtigt end traditionelt anvendte neurale netværk.

"Det er ekstremt motiverende, at vi kan reducere beregningsbelastningen fra at køre simuleringer i supercomputere til at køre dem med lignende kvalitet i en bærbar eller hjemme-pc, " siger ph.d.-studerende Antti Pihlajamäki, som er hovedforfatter af undersøgelsen.

"Det var en stor overraskelse, at vores relativt simple maskinlæringsmetoder fungerer så godt til komplicerede nanostrukturer, " fastslår professor Tommi Kärkkäinen.

"I næste fase, vores mål er at generalisere metoden til at fungere godt for nanopartikler af mange forskellige størrelser og kemiske sammensætninger. Vi har stadig brug for supercomputere til at generere nok højkvalitetsdata til at træne maskinlæringsalgoritmen, men vi håber, at vi i fremtiden kan gå over til at bruge disse nye metoder primært til studier af nanopartikelfunktionalitet i komplicerede kemiske miljøer, " opsummerer akademiprofessor Hannu Häkkinen, der koordinerede undersøgelsen.