Нейронные сети для симуляции молекулярного движения

Новая работа показывает, что искусственные нейронные сети могут быть обучены кодированию квантово-механических законов для описания движений молекул, симуляции надзоров, потенциально в широком диапазоне областей.

Новая работа из Лос-Аламосской национальной лаборатории, Университета Северной Каролины в Чапел-Хилле и Университета Флориды показывает, что искусственные нейронные сети могут быть обучены кодированию квантово-механических законов для описания движений молекул, потенциально стимулирующих моделирование в широком диапазоне. полей.

«Это означает, что теперь мы можем моделировать материалы и молекулярную динамику в миллиарды раз быстрее по сравнению с обычными квантовыми методами, сохраняя при этом тот же уровень точности», — сказал Джастин Смит, физик из Лос-Аламоса и сотрудник Метрополиса в теоретическом отделе лаборатории. Понимание того, как движутся молекулы, имеет решающее значение для использования их потенциальной ценности для разработки лекарств, например, для моделирования белков и реактивной химии, а также для квантовой механики и экспериментальных (эмпирических) методов.

Новая методика, названная потенциалом ANI-1ccx, обещает расширить возможности исследователей во многих областях и повысить точность потенциалов, основанных на машинном обучении, в будущих исследованиях металлических сплавов и физики детонации.

Квантово-механические (QM) алгоритмы, используемые на классических компьютерах, могут точно описывать механические движения соединения в его операционной среде. Но QM очень плохо масштабируется с изменяющимися размерами молекул, серьезно ограничивая область возможного моделирования. Даже небольшое увеличение размера молекулы в рамках моделирования может значительно увеличить вычислительную нагрузку.

Поэтому практикующие врачи часто прибегают к использованию эмпирической информации, которая описывает движение атомов с точки зрения классической физики и законов Ньютона, позволяя имитировать модели, которые масштабируются до миллиардов атомов или миллионов химических соединений.

Традиционно эмпирические потенциалы должны были найти компромисс между точностью и переносимостью. Когда множество параметров потенциала точно настроены для одного соединения, точность снижается для других соединений.

Вместо этого команда из Лос-Аламоса с Университетом Северной Каролины в Чапел-Хилле и Университетом Флориды разработала подход машинного обучения, называемый трансферным обучением, который позволяет им наращивать эмпирический потенциал путем изучения данных, собранных о миллионах других соединений.

Новый подход с эмпирическим потенциалом машинного обучения может быть применен к новым молекулам за миллисекунды, что позволяет исследовать гораздо большее количество соединений в течение гораздо более длительных периодов времени.