在原子水平上模拟系统行为的能力代表了从药物设计到材料发现等各个领域的强大工具。由洛斯阿拉莫斯国家实验室研究人员领导的团队开发了机器学习原子间势，可以预测作用于原子的分子能量和力，从而实现与现有计算方法相比节省时间和费用的模拟。
洛斯阿拉莫斯化学物理学家、最近一篇描述这项工作的《自然化学》论文的合著者本杰明·内布根 (Benjamin Nebgen) 表示：“机器学习的潜力越来越多地为计算成本高昂的模拟提供了一种有效的替代方案，这些模拟试图在原子尺度上表示复杂的物理系统。” “通用反应机器学习原子间势，适用于广泛的反应化学，无需改装，将极大地有利于化学和材料科学。”
缩小有效模拟的差距
传统上，为化学中的分子动力学建立有效的模拟是通过基于物理的计算模型来完成的，包括经典力场或量子力学。虽然量子力学模型是准确且普遍适用的，但它们的计算成本极其昂贵。相比之下，经典力场计算效率高，但精度相对较低，并且仅适用于有限范围的系统。 ANI-1xnr 是该团队的变革性机器学习模型，弥补了化学领域数十年来在速度、准确性和通用性方面的差距。 (机器学习是人工智能的一种应用，计算机程序通过训练“学习”。)
ANI-1xnr 代表了第一个足够通用的反应式机器学习原子间势 – 它可以应用于许多不同的化学系统 – 可以与基于物理的计算模型竞争以执行大规模反应原子模拟。 ANI-1xnr 是使用自动化工作流程开发的，该工作流程对包含碳、氢、氮和氧元素的各种化学系统进行反应分子动力学模拟。
事实证明，ANI-1xnr 能够研究各种系统，从碳相变到燃烧，再到生命起源前的化学。该团队通过将模拟结果与实验和传统计算技术的结果进行比较来验证模拟结果。
转化原子间势
“ANI-1xnr 不需要领域专业知识或针对每个新用例进行改装，使来自不同领域的科学家能够研究未知的化学，”洛斯阿拉莫斯计算科学家、该论文的共同通讯作者 Richard Messerly 说。 “ANI-1xnr 的普遍适用性是变革性的，代表着朝着取代大规模研究反应化学的长期建模技术迈出了重要一步。”
该团队使用的数据集和 ANI-1xnr 代码已向研究界公开。
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，请发送邮件至 55@qq.com 举报，一经查实，本站将立刻删除。转转请注明出处：https://www.szhjjp.com/n/981070.html
