Ett team av forskare från MIPT, Skoltech, och Dukhov Research Institute of Automatics, ledd av Artem Oganov, använde en maskininlärningsteknik för att modellera beteendet hos aluminium och uran i flytande och kristallina faser vid olika temperaturer och tryck. Sådana simuleringar av kemiska system kan förutsäga deras egenskaper under en rad förhållanden innan experiment utförs, möjliggör ytterligare arbete med endast de mest lovande materialen. Forskningsresultaten publicerades i tidskriften Vetenskapliga rapporter .

Datorkemi

Snabba framsteg inom vetenskapen under de senaste 100 åren har resulterat i upptäckten av ett häpnadsväckande antal organiska och oorganiska föreningar, protein- och lipidstrukturer, och kemiska reaktioner. Men med alla dessa nya strukturer och molekyler, en ökande mängd tid krävs för att studera deras makeup, biokemiska och fysikaliska egenskaper, och att testa modellerna av deras beteende under olika förhållanden och deras möjliga interaktioner med andra föreningar. Sådan forskning kan nu påskyndas med hjälp av datormodellering.

Kraftfältsansatsen är för närvarande den dominerande modelleringstekniken. Den använder sig av en uppsättning parametrar som beskriver ett givet biokemiskt system. Dessa inkluderar bindningslängder, vinklar och laddningar, bland andra. Dock, denna teknik är oförmögen att reproducera de kvantmekaniska krafterna som spelar i molekyler exakt. Noggranna kvantmekaniska beräkningar är tidskrävande. Dessutom, de möjliggör bara förutsägelser om beteendet hos prover som i bästa fall är flera hundra atomer stora.

Maskininlärningsmetoder för molekylär modellering är av stort intresse för kemister. De möjliggör modeller som tränas på relativt små datamängder erhållna med hjälp av kvantmekaniska beräkningar. Sådana modeller kan då ersätta kvantmekaniska beräkningar, eftersom de är lika exakta och kräver ungefär 1, 000 gånger mindre datorkraft.

Framsteg som gjorts av verktyg för maskininlärning som modellerar interaktioner mellan atomer

Forskarna använde maskininlärning för att modellera interaktionerna mellan atomer i kristallint och flytande aluminium och uran. Aluminium är en väl studerad metall vars fysikaliska och kemiska egenskaper är kända för forskare. Uran, däremot valdes eftersom det finns motstridiga publicerade data om dess fysikaliska och kemiska egenskaper, som forskarna försökte definiera mer exakt.

Uppsatsen beskriver deras studie av sådana materialegenskaper som fonondensiteten hos tillstånd, entropi, och smälttemperaturen för aluminium.

"Storleken på interatomiska krafter i kristaller kan användas för att förutsäga hur atomer av samma element kommer att bete sig under olika temperaturer och i en annan fas, " säger Ivan Kruglov från Computational Materials Design Laboratory vid MIPT. "På samma sätt, du kan använda data om egenskaperna hos en vätska för att ta reda på hur atomerna kommer att bete sig i en kristall. Detta innebär att genom att ta reda på mer om kristallstrukturen hos uran, vi kan så småningom rekonstruera hela fasdiagrammet för denna metall. Fasdiagram är diagram som anger elementens egenskaper som funktion av tryck och temperatur. De används för att bestämma gränserna för tillämpligheten av ett givet element."

För att säkerställa att data som frambringas av datorsimuleringar är giltiga, de jämförs med experimentella resultat. Metoden som forskarna använde stämde väl överens med tidigare experiment. Informationen som erhölls med metoden baserad på maskininlärning hade en lägre felfrekvens, jämfört med modelleringstekniker som använder kraftfält.

I den här studien, författarna förbättrar sina resultat från 2016 när det gäller hastigheten och noggrannheten för modellering av atomsystem med hjälp av maskininlärning.