Новая платформа применяет машинное обучение к атомистическому моделированию

Исследователи Северо-Западного университета разработали новую структуру с использованием машинного обучения, которая повышает точность межатомных потенциалов – руководящих правил, описывающих, как атомы взаимодействуют, – в дизайне новых материалов. Полученные данные могут привести к более точным предсказаниям того, как новые материалы передают тепло, деформируются и выходят из строя в атомном масштабе.


Разработка новых наноматериалов является важным аспектом разработки устройств следующего поколения, используемых в электронике, датчиках, сборе и хранении энергии, оптических детекторах и конструкционных материалах. Чтобы разработать эти материалы, исследователи создают межатомные потенциалы с помощью атомистического моделирования, вычислительного подхода, который предсказывает поведение этих материалов, учитывая их свойства на минимальном уровне. Процесс определения межатомного потенциала материалов, называемый параметризацией, потребовал значительной химической и физической интуиции, что привело к менее точному прогнозированию дизайна новых материалов.

Платформа исследователей сводит к минимуму вмешательство пользователя за счет использования многоцелевых методов оптимизации генетических алгоритмов и статистического анализа, а также проверяет многообещающие межатомные потенциалы и наборы параметров.

«Разработанные нами вычислительные алгоритмы предоставляют аналитикам методологию для оценки и устранения традиционных недостатков», – сказали Горацио Эспиноза, Джеймс Н. и Нэнси Дж. Фарли, профессор производства и предпринимательства и профессор машиностроения и (любезно) биомедицинской инженерии и гражданского строительства. и экологическая инженерия, руководившая исследованием. «Они также предоставляют средства для адаптации параметризации к интересующим приложениям».

Результаты были опубликованы в исследовании под названием «Параметризация межатомных потенциалов для точных путей больших деформаций с использованием многоцелевых генетических алгоритмов и статистического анализа: тематическое исследование двумерных материалов» 21 июля в Журналы Nature Partner – Вычислительные материалы.

Сюй Чжан и Хоанг Нгуен, студенты магистратуры Северо-Западного инженерного факультета теоретической и прикладной механики (ТАМ), были соавторами исследования. Среди других соавторов были Джеффри Т. Пачи из Университета Виктории, Канада, Субраманиан Санкаранараянан из Аргоннской национальной лаборатории и Хосе Мендоса из Университета штата Мичиган.

Структура исследователей использует наборы данных для обучения и проверки, полученные из результатов моделирования теории функционала плотности, за которыми следует этап оценки, который включает анализ главных компонентов и корреляционный анализ.

«Мы определили последовательность шагов для достижения итеративного подхода к обучению с учетом конкретных задач оптимизации», – сказал Эспиноза, руководитель программы TAM. «Наш статистический подход позволяет пользователям реализовать противоречивые цели оптимизации, которые важны при установлении пределов применимости и переносимости параметризованных потенциалов». Эти отношения могут раскрыть физику, лежащую в основе некоторых явлений, которые кажутся не имеющими отношения друг к другу.

Команда определила положительную корреляцию между точностью межатомного потенциала и сложностью и количеством заявленных параметров – феномен, который, как считается, имеет место в полевых условиях, но ранее не подтверждался с помощью количественных методов. Этому уровню сложности должно соответствовать соразмерное количество обучающих данных. Невыполнение этого требования, особенно данных, содержащих важную информацию, приводит к снижению точности.