字體：小中大

【問卦】主動學習加速分子模擬中的幾何構型優化，附ASE優化器python包下載

2021/12/07 23:20:37瀏覽51｜回應0｜推薦0

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涌現，能夠對分子進行更廣泛的模擬，包括分離研究、結構優化、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于神經網絡集成的主動學習方法，可以同時加速多個分子模擬中的局部幾何構型優化，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。研究結果于 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。分子的幾何構型優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，可用于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，研究團隊通過將先驗數據集成到主動學習框架中，實驗說明了通過使用神經網絡集成在不同配置之間共享信息，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）計算的調用量減少了 50% 至 90%。此外，該團隊提供了一個原子模擬環境 (ASE) 優化器的 Python 包，以便更輕松地使用神經網絡集成主動學習進行幾何構型優化。

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于神經網絡的在線學習在各種局部幾何構型優化任務上的性能。」該團隊從兩個方面加速主動學習過程：一是限制用于在每一步更新智能體模型的訓練集的大小；二是不同弛豫（relaxation）軌跡的信息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，并使用此初始信息訓練神經網絡。然后，該模型與優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優化時，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。通過在過程中添加智能體，我們使其能夠依賴先前的計算，而不是每次都從頭開始。」論文鏈接：http://dx.doi.org/10.1063/5.0049665

項目地址：https://github.com/lmj1029123/SingleNN

參考內容：https://phys.org/news/2021-07-geometry-optimization-molecular-simulation.html

× [ 生物神經科學數學物理材料 ]

「ScienceAI」關注人工智能與其他前沿技術及基礎科學的交叉研究與融合發展。

歡迎關注標星，并點擊右下角點贊和在看。

點擊閱讀原文，加入專業從業者社區，以獲得更多交流合作機會及服務。

( 創作｜教育文化 )