Nuevo trabajo del Laboratorio Nacional de Los Alamos, la Universidad de Carolina del Norte en Chapel Hill y la Universidad de Florida está demostrando que las redes neuronales artificiales pueden ser entrenadas para codificar leyes de mecánica cuántica para describir los movimientos de las moléculas, sobrealimentando simulaciones potencialmente a través de unamplia gama de campos
"Esto significa que ahora podemos modelar materiales y dinámicas moleculares miles de millones de veces más rápido en comparación con los métodos cuánticos convencionales, al tiempo que conservamos el mismo nivel de precisión", dijo Justin Smith, físico de Los Alamos y miembro de Metropolis en la División Teórica del laboratorio. Comprender cómoEl movimiento de las moléculas es fundamental para aprovechar su valor potencial para el desarrollo de fármacos, simulaciones de proteínas y química reactiva, por ejemplo, y tanto la mecánica cuántica como los métodos experimentales empíricos alimentan las simulaciones.
La nueva técnica, llamada potencial ANI-1ccx, promete mejorar las capacidades de los investigadores en muchos campos y mejorar la precisión de los potenciales basados en el aprendizaje automático en futuros estudios de aleaciones de metales y física de detonación.
Los algoritmos de mecánica cuántica QM, utilizados en las computadoras clásicas, pueden describir con precisión los movimientos mecánicos de un compuesto en su entorno operativo. Pero QM se escala muy mal con diferentes tamaños moleculares, limitando severamente el alcance de las posibles simulaciones. Incluso un ligero aumentoEl tamaño molecular dentro de una simulación puede aumentar dramáticamente la carga computacional, por lo que los profesionales a menudo recurren al uso de información empírica, que describe el movimiento de los átomos en términos de la física clásica y las Leyes de Newton, permitiendo simulaciones que se escalan a miles de millones de átomos o millones de compuestos químicos..
Tradicionalmente, los potenciales empíricos han tenido que llegar a un equilibrio entre precisión y transferibilidad. Cuando los muchos parámetros del potencial se ajustan finamente para un compuesto, la precisión disminuye en otros compuestos.
En cambio, el equipo de Los Alamos, con la Universidad de Carolina del Norte en Chapel Hill y la Universidad de Florida, ha desarrollado un enfoque de aprendizaje automático llamado aprendizaje de transferencia que les permite construir potenciales empíricos al aprender de los datos recopilados sobre millones de otros compuestos.Se puede aplicar un nuevo enfoque con el potencial empírico de aprendizaje automático a las nuevas moléculas en milisegundos, lo que permite la investigación de un número mucho mayor de compuestos en escalas de tiempo mucho más largas.
Financiamiento
Los autores de Los Alamos agradecen el apoyo del Departamento de Energía de los EE. UU. DOE a través del Programa LDLD de LANL. Este trabajo se realizó, en parte, en el Centro de Nanotecnologías Integradas, una instalación de usuarios de la Oficina de Ciencia operada para la Oficina del DOE de los EE. UU.of Science. También reconocen que el programa LANL Institutional Computing IC y el equipo de datos LANL ACL por proporcionar recursos computacionales. Esta investigación se realizó en parte utilizando los recursos proporcionados por Open Science Grid, que cuenta con el apoyo del National Science Foundation Award 1148698, yla Oficina de Ciencia del DOE de EE. UU.
Fuente de la historia :
Materiales proporcionado por DOE / Laboratorio Nacional de Los Alamos . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :