Машинное обучение, метод анализа данных, используемый для автоматизации построения аналитических моделей, изменил методы проведения исследований учеными и инженерами. Этот метод, являющийся отраслью искусственного интеллекта (ИИ) и информатики, основан на большом количестве алгоритмов и широких наборов данных для выявления закономерностей и принятия важных исследовательских решений.
Применения методов машинного обучения появляются в области поверхностного катализа, что позволяет проводить более обширное моделирование наночастиц, исследования сегрегации, оптимизацию структуры, изучение силовых полей на лету и высокопроизводительный скрининг. Однако работа с большими объемами данных часто может быть длительной и дорогостоящей задачей.
Оптимизация геометрии, часто ограничивающая скорость в молекулярном моделировании, является ключевой частью вычислительных материалов и науки о поверхности. Это позволяет исследователям находить атомные структуры в основном состоянии и пути реакций, свойства, используемые для оценки кинетических и термодинамических свойств молекулярных и кристаллических структур. Хотя этот процесс жизненно важен, он может быть относительно медленным, требуя для завершения большого количества вычислений.
В Университете Карнеги-Меллона Джон Китчин работает над ускорением этого процесса, предлагая метод активного обучения на основе нейронной сети, который ускоряет геометрическую оптимизацию для нескольких конфигураций одновременно. Новая модель снижает количество вычислений по теории функционала плотности (DFT) или теории эффективной среды (EMT) на 50-90 процентов, позволяя исследователям выполнять ту же работу за меньшее время или больше за то же время.
«Обычно, когда мы оптимизируем геометрию, мы начинаем с нуля», — сказал Китчин. «В расчетах редко используется то, что мы знали в прошлом».
«Добавив в процесс суррогатную модель, мы позволили ему полагаться на предыдущие вычисления, а не начинать каждый раз с нуля».
Исследование иллюстрирует ускорение на нескольких тематических исследованиях, включая поверхности с адсорбатами, голые металлические поверхности и подталкиваемую эластичную ленту для двух реакций. В каждом случае пакет Python-оптимизатора Atomic Simulation Environment (ASE) позволял выполнять меньше вычислений DFT, чем стандартный метод.
Пакет Python для оптимизатора ASE был предоставлен коллегам-инженерам и ученым, чтобы упростить использование активного обучения ансамбля нейронных сетей для оптимизации геометрии.
Источник — Газета Daily.