Машинное обучение позволяет выполнять точные расчеты электронной структуры в больших масштабах для моделирования материалов.
Расположение электронов в веществе, известное как электронная структура, играет решающую роль в фундаментальных, но также и в прикладных исследованиях, таких как разработка лекарств и накопление энергии. Однако отсутствие метода моделирования, который обеспечивает как высокую точность, так и масштабируемость в различных масштабах времени и длины, уже давно является препятствием для развития этих технологий.
Исследователи из Центра передового системного понимания (CASUS) в Дрезден-Россендорфском центре Гельмгольца (HZDR) в Гёрлице, Германия, и Национальной лаборатории Сандия в Альбукерке, Нью-Мексико, США, впервые разработали метод моделирования на основе машинного обучения, который заменяет традиционные методы моделирования электронной структуры.
Их программный стек алгоритмов изучения материалов (MALA) позволяет получить доступ к ранее недостижимым шкалам длины. Работа опубликована в журнале npj Computational Materials.
Электроны являются элементарными частицами фундаментальной важности. Их квантово-механические взаимодействия друг с другом и с атомными ядрами порождают множество явлений, наблюдаемых в химии и материаловедении. Понимание и контроль электронной структуры материи дает представление о реактивности молекул, структуре и переносе энергии внутри планет, а также о механизмах разрушения материалов.
Научные задачи все чаще решаются с помощью компьютерного моделирования и симуляции с использованием возможностей высокопроизводительных вычислений. Однако серьезным препятствием для достижения реалистичного моделирования с квантовой точностью является отсутствие метода прогнозного моделирования, который сочетает в себе высокую точность с масштабируемостью в различных масштабах длины и времени.
Классические атомистические методы моделирования могут работать с большими и сложными системами , но их игнорирование квантовой электронной структуры ограничивает их применимость. И наоборот, методы моделирования, которые не основаны на предположениях, таких как эмпирическое моделирование и подбор параметров (методы первых принципов), обеспечивают высокую точность , но требуют больших вычислительных ресурсов. Например, теория функционала плотности (DFT), широко используемый метод первых принципов, демонстрирует кубическое масштабирование с размером системы, что ограничивает ее прогностические возможности малыми масштабами.
Гибридный подход, основанный на глубоком обучении
Команда исследователей представила новый метод моделирования под названием «Алгоритмы обучения материалам» (MALA). В компьютерных науках программный стек — это набор алгоритмов и программных компонентов , которые объединяются для создания программного приложения для решения конкретной задачи.
Ленц Фидлер, доктор философии. студент и ключевой разработчик MALA в CASUS, объясняет: «MALA объединяет машинное обучение с подходами, основанными на физике, для прогнозирования электронной структуры материалов. Он использует гибридный подход, используя признанный метод машинного обучения, называемый глубоким обучением, для точного прогнозирования локальных величин, дополнен физическими алгоритмами для вычисления интересующих глобальных величин».
Стек программного обеспечения MALA принимает расположение атомов в пространстве в качестве входных данных и генерирует отпечатки пальцев, известные как компоненты биспектра, которые кодируют пространственное расположение атомов вокруг точки декартовой сетки. Модель машинного обучения в MALA обучена прогнозировать электронную структуру на основе этого атомного соседства. Существенным преимуществом MALA является способность модели машинного обучения не зависеть от размера системы, что позволяет обучать ее на данных из небольших систем и развертывать в любом масштабе.
В своей публикации группа исследователей продемонстрировала замечательную эффективность этой стратегии. Они добились ускорения более чем в 1000 раз для систем меньшего размера, состоящих из нескольких тысяч атомов, по сравнению с обычными алгоритмами. Кроме того, команда продемонстрировала способность MALA точно выполнять расчеты электронной структуры в больших масштабах, включая более 100 000 атомов. Примечательно, что это достижение было достигнуто при скромных вычислительных усилиях, что выявило ограничения обычных кодов ДПФ.
Аттила Канджи, исполняющий обязанности руководителя отдела материи в экстремальных условиях в CASUS, объясняет: «По мере увеличения размера системы и вовлечения большего количества атомов расчеты DFT становятся непрактичными, тогда как преимущество MALA в скорости продолжает расти. Ключевой прорыв MALA заключается в его возможность работать с локальными атомными средами, что позволяет делать точные численные прогнозы, на которые минимально влияет размер системы. Это новаторское достижение открывает вычислительные возможности, которые когда-то считались недостижимыми».
Ожидается ускорение прикладных исследований
Cangi стремится раздвинуть границы расчетов электронных структур, используя машинное обучение. «Мы ожидаем, что MALA вызовет трансформацию в расчетах электронной структуры, поскольку теперь у нас есть метод моделирования значительно более крупных систем с беспрецедентной скоростью. В будущем исследователи смогут решать широкий спектр социальных проблем на основе значительного улучшенный базовый уровень, включая разработку новых вакцин и новых материалов для хранения энергии , проведение крупномасштабного моделирования полупроводниковых устройств, изучение дефектов материалов и изучение химических реакций для преобразования атмосферного парникового газа углекислого газа в безопасные для климата минералы».
Кроме того, подход MALA особенно подходит для высокопроизводительных вычислений (HPC). По мере роста размера системы MALA обеспечивает независимую обработку в используемой вычислительной сети, эффективно используя ресурсы HPC, особенно графические процессоры.
Сива Раджаманикам, штатный научный сотрудник и эксперт по параллельным вычислениям в Sandia National Laboratories, объясняет: «Алгоритм MALA для расчетов электронной структуры хорошо подходит для современных высокопроизводительных систем с распределенными ускорителями. Благодаря ускорителям MALA идеально подходит для масштабируемого машинного обучения на ресурсах высокопроизводительных вычислений, что обеспечивает непревзойденную скорость и эффективность расчетов электронных структур».
