• Home
  • Química
  • Astronomía
  • Energía
  • Naturaleza
  • Biología
  • Física
  • Electrónica
  •  science >> Ciencia >  >> Física
    El aprendizaje automático ayuda a simular la dinámica de los átomos que interactúan

    La generación automatizada de conjuntos de datos proporciona una muestra muy diversa de posiciones atómicas para entrenar un modelo de aprendizaje automático preciso y general. Crédito:Laboratorio Nacional de Los Alamos

    En la publicación de esta semana se describe un enfoque revolucionario de aprendizaje automático (ML) para simular los movimientos de los átomos en materiales como el aluminio. Comunicaciones de la naturaleza diario. Este enfoque automatizado del "desarrollo del potencial interatómico" podría transformar el campo del descubrimiento de materiales computacionales.

    "Este enfoque promete ser un componente importante para el estudio del daño y el envejecimiento de los materiales desde los primeros principios, ", dijo el líder del proyecto, Justin Smith, del Laboratorio Nacional de Los Alamos." Simular la dinámica de los átomos que interactúan es una piedra angular para comprender y desarrollar nuevos materiales. Los métodos de aprendizaje automático están proporcionando a los científicos computacionales nuevas herramientas para realizar de manera precisa y eficiente estas simulaciones atomísticas. Los modelos de aprendizaje automático como este están diseñados para emular los resultados de simulaciones cuánticas de alta precisión, a una pequeña fracción del costo computacional ".

    Para maximizar la precisión general de estos modelos de aprendizaje automático, él dijo, es esencial diseñar un conjunto de datos muy diverso desde el cual entrenar el modelo. Un desafío es que no es obvio, a priori, qué datos de entrenamiento serán más necesarios para el modelo ML. El trabajo reciente del equipo presenta una metodología automatizada de "aprendizaje activo" para construir iterativamente un conjunto de datos de entrenamiento.

    En cada iteración, el método utiliza el mejor modelo de aprendizaje automático actual para realizar simulaciones atomísticas; cuando se encuentran nuevas situaciones físicas que están más allá del conocimiento del modelo de AA, Se recopilan nuevos datos de referencia a través de costosas simulaciones cuánticas, y se reentrena el modelo ML. A través de este proceso, el procedimiento de aprendizaje activo recopila datos sobre muchos tipos diferentes de configuraciones atómicas, incluyendo una variedad de estructuras cristalinas, y una variedad de patrones de defectos que aparecen dentro de los cristales.


    © Ciencia https://es.scienceaq.com