Forskere i Harvard John A. Paulson School of Engineering and Applied Sciences (SEAS) har udviklet en maskinlæringsramme, der med kvanteniveau-nøjagtighed kan forudsige, hvordan materialer reagerer på elektriske felter, op til skalaen på en million atomer-i vid udstrækning accelererer simuleringer ud over kvantemekaniske metoder, som kun kan modellere et par hundrede atomer på et tidspunkt.
Arbejdet giver forskere og ingeniører mulighed for at udføre meget nøjagtige, store simuleringer af forskellige materialers svar på mange eksterne stimuli, som kan have store konsekvenser for avanceret materialedesign eller energiteknologi.
Forskningen blev offentliggjort i Naturkommunikation og ledet af Stefano F menletta, en tidligere postdoktorisk forsker i gruppen af seniorforfatter Boris Kozinsky, Gordon McKay -professor i materialevidenskab og maskinteknik ved SEAS og professor i kemi og kemisk biologi.
I mere end 30 år har den primære metode til simulering af egenskaber og adfærd af atomer og molekyler været densitetsfunktionsteori, et sæt kvantemekaniske ligninger, der er fysikbaseret og meget nøjagtig, men beregningsmæssigt intensiv og dermed begrænset til kun mindre systemer.
I de senere år er det at studere kvanteadfærd af materialer i større størrelser og længere tidsskalaer, mens man bevares nøjagtigheden af densitetsfunktionsteori, blevet styrket af maskinlæring, men modellering af reaktioner på eksterne stimuli har været en udfordring. Dette skyldes, at eksisterende maskinlæringsmetoder har en tendens til at overse fysiske symmetrier og bevaringslove, der er relateret til både energiske og elektriske egenskaber, hvilket fører til unøjagtigheder i ejendomsforudsigelser.
For at løse disse problemer udtænkte forfatterne en maskinlæringsmetode, der forener forskellige kvanteadfærd som energi og polarisering til en generaliseret potentiel energifunktion. Ved hjælp af densitetsfunktionste teoriberegninger som trænings- og valideringsdata inkluderer modellen virkningerne af eksterne felter og håndhæver den korrekte fysik.
Den nye ramme, kaldet Allegro-Pol, bygger på en tidligere udviklet neurale netværksarkitektur kaldet Allegro, der udførte nøjagtige simuleringer af energien og atomkræfterne, der var til stede i et givet sæt atomer. Falletta så ud til at udvide Allegros kapaciteter til at fange ikke kun molekylær dynamik i realtid, men også, hvad der sker, når atomerne gennemgår eksterne forstyrrelser, såsom anvendelse af et eksternt elektrisk felt.
At forstå disse interaktioner er vigtig for at opdage for eksempel nye ferroelektriske materialer og dielektriske materialer, der kan bruges i applikationer såsom ikke-flygtig hukommelse, kondensatorer og energilagringsenheder.
“Hvis du bruger fysikbaserede metoder, der løser kvantemekaniske ligninger, kan du kun gå op til et par hundrede atomer,” sagde F menletta. “Mens du med disse maskinlæringsmetoder i det væsentlige kan skalere op til hundreder af tusinder af atomer eller endda en million.”
De beviste deres metode ved at simulere infrarøde og elektriske egenskaber ved siliciumdioxid såvel som temperaturafhængig ferroelektrisk switching i bariumtitanat.
Falletta, der nu arbejder på Radical AI om Accelerating Materials Discovery, sagde, at grundlæggende modeller baseret på den, der er beskrevet i Naturkommunikation Kunne tillade, at maskinlæring -aktiverede materialevidenskab kunne starte på måder, der først begynder at blive forstået.
“Feltet med computermateriale -opdagelsen bevæger sig mod bedre teorier, bedre maskinindlæringsmodeller, bedre infrastruktur, større klynger, hurtigere GPU’er og bedre generative modeller – det er alle slags at komme sammen,” sagde Wapteta. “Det er bestemt meget spændende.”