Accélération de l’optimisation de la géométrie en simulation moléculaire


Des chercheurs développent un package pour accélérer l'optimisation de la géométrie dans la simulation moléculaire

Illustration d’une structure de neuronal unique pour prédire l’énergie atomique. Crédit photo : John Kitchin, Université Carnegie Mellon

L’apprentissage automatique, une méthodologie d’analyse de données utilisée pour automatiser la construction de modèles analytiques, a changé la façon dont les scientifiques et les ingénieurs font de la recherche. En tant que branche de l’intelligence artificielle (IA) et de l’informatique, la méthode s’appuie sur un grand nombre d’algorithmes et de vastes ensembles de données pour reconnaître les modèles et prendre des décisions de recherche importantes.

Dans le domaine de la catalyse de surface, des applications de techniques d’apprentissage automatique émergent qui permettent des simulations plus étendues de nanoparticules, des études de ségrégation, l’optimisation de la structure, l’apprentissage à la volée des champs de force et le criblage à haut débit. Cependant, travailler sur de grandes quantités de données peut souvent être une tâche fastidieuse et gourmande en calculs.

L’optimisation de la , souvent l’étape déterminante de la vitesse dans les simulations moléculaires, est une partie importante de la science des matériaux et des surfaces assistée par ordinateur. Il permet aux chercheurs de trouver des structures d’état fondamental et des voies de réaction, propriétés qui sont utilisées pour estimer les propriétés cinétiques et thermodynamiques des structures moléculaires et cristallines. Bien que le processus soit important, il peut être relativement lent et nécessiter un grand nombre de calculs.

À l’Université Carnegie Mellon, John Kitchin s’efforce d’accélérer ce processus en fournissant une méthode d’apprentissage actif basée sur un réseau de neurones qui accélère l’optimisation géométrique pour plusieurs configurations en même temps. Le nouveau modèle réduit le nombre de calculs de théorie fonctionnelle de la densité (DFT) ou de théorie des milieux effectifs (EMT) de 50 à 90 pour cent, de sorte que les chercheurs peuvent effectuer le même travail en moins ou plus de travail dans le même laps de temps.

« Nous partons généralement de zéro lorsque nous optimisons la géométrie », a déclaré Kitchin. « Les calculs profitent rarement de tout ce que nous savions dans le passé. »

« En ajoutant un modèle de substitution au processus, nous avons permis de nous fier aux calculs précédents au lieu de repartir de zéro à chaque fois. »






John Kitchin parle de sa recherche « Machine-Learning Accelerated Geometry Optimization in Molecular  » Crédit : John Kitchin, Carnegie Mellon University

L’étude illustre l’ dans plusieurs études de cas, y compris des surfaces avec des adsorbats, des surfaces métalliques nues et des bandes élastiques heurtées pour deux réactions. Dans tous les cas, le package Python de l’optimiseur de l’environnement de simulation atomique (ASE) permettait moins de calculs DFT que la méthode standard.

Le package Python ASE-optimizer a été mis à la disposition d’autres ingénieurs et scientifiques pour simplifier l’utilisation de l’apprentissage actif à partir d’ensembles de réseaux de neurones pour l’optimisation de la géométrie.


L’intelligence artificielle aide à reconnaître les bonnes structures atomiques


Plus d’information:
Yilin Yang et al., Optimisation accélérée de la géométrie grâce à l’apprentissage automatique en simulation moléculaire, La revue de physique chimique (2021). DOI : 10.1063 / 5.0049665

Lien Github pour le package : github.com/lmj1029123/SingleNN

Fourni par l’Université Carnegie Mellon, Département de génie chimique

Citation: Accelerating Geometry Optimization in Molecular Simulation (2021, 21 juillet), consulté le 21 juillet 2021 à partir de https://phys.org/news/2021-07-geometry-optimization-molecular-simulation.html

Ce document est soumis au droit d’auteur. Sauf pour le commerce équitable à des fins d’étude ou de recherche privée, aucune partie ne peut être reproduite sans autorisation écrite. Le contenu est fourni à titre informatif seulement.

Laisser un commentaire