編譯/文龍
機器學習正在重塑許多科學和工程領域的研究方法。在表面催化領域，機器學習的各種應用不斷湧現，能夠對分子進行更廣泛的模擬，包括分離研究、結構最佳化、力場的動態學習和高通量篩選。
最近，卡內基梅隆大學的研究人員提出了一種基於神經網路整合的主動學習方法，可以同時加速多個分子模擬中的區域性幾何構型最佳化，計算數量減少了 50-90%，使研究人員能夠在更少的時間內完成相同的工作。
研究結果於 6 月 17 日以「Machine-learning accelerated geometry optimization in molecular simulation」為題發表在期刊《The Journal of Chemical Physics》上。
分子的幾何構型最佳化是計算材料和表面科學的重要組成部分，因為它是尋找基態原子結構和反應的途徑，可用於估計分子和晶體結構的熱力學和動力學特性。理論上，這一過程是緩慢的，因為它涉及使用 DFT 這類量子化學方法對力進行迭代計算，需要大量的算力和時間。
因此，研究團隊透過將先驗資料整合到主動學習框架中，實驗說明了透過使用神經網路整合在不同配置之間共享資訊，與具有單一配置的主動學習相比，具有多種配置的主動學習可以實現進一步的加速，新模型將密度泛函理論（DFT）和有效介質理論（EMT）計算的呼叫量減少了 50% 至 90%。
此外，該團隊提供了一個原子模擬環境 （ASE） 最佳化器的 Python 包，以便更輕鬆地使用神經網路整合主動學習進行幾何構型最佳化。
加速大量配置的主動學習的潛在方法
論文的通訊作者 John R。 Kitchin 表示：「這項工作的另一個目標是概述基於神經網路的線上學習在各種區域性幾何構型最佳化任務上的效能。」
該團隊從兩個方面加速主動學習過程：一是限制用於在每一步更新智慧體模型的訓練集的大小；二是不同弛豫（relaxation）軌跡的資訊可以相互共享以加速整體弛豫過程。
整個工作流程從需要弛豫的初始配置開始。首先，計算 DFT 能量和力，並使用此初始資訊訓練神經網路。然後，該模型與最佳化器一起使用以減少配置的能量。當遇到不確定的配置或達到弛豫標準時，模型的弛豫停止。提交不確定的配置以進行進一步的 DFT 計算。
Kitchin 進一步解釋說：「通常，當我們進行幾何構型最佳化時，我們會從頭開始，使得計算很少從我們過去所知道的事情中受益。透過在過程中新增智慧體，我們使其能夠依賴先前的計算，而不是每次都從頭開始。」
論文連結：http：//dx。doi。org/10。1063/5。0049665
專案地址：https：//github。com/lmj1029123/SingleNN
參考內容：https：//phys。org/news/2021-07-geometry-optimization-molecular-simulation。html
人工智慧
×
[ 生物 神經科學 數學 物理 材料 ]
「ScienceAI」關注人工智慧與其他前沿技術及基礎科學的交叉研究與融合發展
。
歡迎
關
註標星
，並點選右下角
點贊
和
在看
。
