Команда из Принстонского университета точно смоделировала начальные этапы образования льда, применив искусственный интеллект (ИИ) к решению уравнений, управляющих квантовым поведением отдельных атомов и молекул. Полученное моделирование описывает, как молекулы воды превращаются в твердый лед с квантовой точностью. Этот уровень точности, который когда-то считался недостижимым из-за требуемой вычислительной мощности, стал возможен, когда исследователи включили в свои методы глубокие нейронные сети, форму искусственного интеллекта. Исследование было опубликовано в журнале Proceedings of the National Academy of Sciences.
«В каком-то смысле это сбывшаяся мечта», — сказал Роберто Кар, профессор химии Ральфа У. Дорнте из Принстона, который более 35 лет назад стал одним из пионеров подхода к моделированию молекулярного поведения на основе лежащих в его основе квантовых законов. . «Тогда мы надеялись, что в конечном итоге мы сможем изучать системы, подобные этой, но это было невозможно без дальнейшего концептуального развития, и это развитие происходило в совершенно другой области, в области искусственного интеллекта и науки о данных».
Возможность моделировать начальные этапы замерзания воды, процесс, называемый образованием кристаллов льда, может повысить точность моделирования погоды и климата, а также других процессов, таких как быстрая заморозка продуктов питания.
Новый подход позволяет исследователям отслеживать активность сотен тысяч атомов в течение периодов времени, которые в тысячи раз длиннее, хотя и составляют доли секунды, чем в ранних исследованиях.
Кар стал одним из изобретателей подхода к использованию основных законов квантовой механики для предсказания физического движения атомов и молекул. Законы квантовой механики диктуют, как атомы связываются друг с другом, образуя молекулы, и как молекулы соединяются друг с другом, образуя повседневные предметы.
Кар и Микеле Парринелло, физик, работающий сейчас в Istituto Italiano di Tecnologia в Италии, опубликовали свой подход, известный как «ab initio» (лат. «с самого начала») молекулярной динамики, в новаторской статье в 1985 году.
Но квантово-механические вычисления сложны и требуют огромных вычислительных мощностей. В 1980-х годах компьютеры могли моделировать всего лишь сотню атомов за несколько триллионных долей секунды. Последующие достижения в области вычислений и появление современных суперкомпьютеров увеличили количество атомов и продолжительность моделирования, но результат далёк от количества атомов, необходимого для наблюдения за сложными процессами, такими как зарождение льда.
ИИ предоставил привлекательное потенциальное решение. Исследователи обучают нейронную сеть, названную в честь ее сходства с работой человеческого мозга, распознавать сравнительно небольшое количество выбранных квантовых вычислений. После обучения нейронная сеть может вычислять силы между атомами, которых она никогда раньше не видела, с квантово-механической точностью. Этот подход «машинного обучения» уже используется в повседневных приложениях, таких как распознавание голоса и беспилотные автомобили.
В случае применения ИИ для молекулярного моделирования большой вклад был сделан в 2018 году, когда аспирант Принстона Линфэн Чжан, работая с Каром и профессором математики Принстона Вейнаном Э., нашел способ применить глубокие нейронные сети для моделирования квантово-механических межатомных сил. Чжан, получивший докторскую степень. в 2020 году и в настоящее время является научным сотрудником Пекинского института исследований больших данных, назвав этот подход «молекулярной динамикой глубокого потенциала».
В текущей статье Кар и исследователь с докторской степенью Пабло Пьяджи вместе с коллегами применили эти методы для моделирования образования кристаллов льда. Используя молекулярную динамику глубокого потенциала, они смогли запустить моделирование до 300 000 атомов, используя значительно меньшую вычислительную мощность, в течение гораздо более длительных промежутков времени, чем это было возможно ранее. Они провели моделирование на Summit, одном из самых быстрых в мире суперкомпьютеров, расположенном в Национальной лаборатории Ок-Ридж.
Эта работа представляет собой одно из лучших исследований образования кристаллов льда, сказал Пабло Дебенедетти, декан Принстона по исследованиям и профессор инженерных и прикладных наук 1950 года, а также соавтор нового исследования.
«Зародышеобразование льда — одна из основных неизвестных величин в моделях прогнозирования погоды», — сказал Дебенедетти. «Это довольно значительный шаг вперед, потому что мы видим очень хорошее совпадение с экспериментами. Нам удалось смоделировать очень большие системы, что ранее было немыслимо для квантовых расчетов».
В настоящее время климатические модели получают оценки того, как зарождается припай, в основном на основе наблюдений, проведенных в лабораторных экспериментах, но эти корреляции носят описательный, а не прогнозный характер и действительны в ограниченном диапазоне экспериментальных условий. В отличие от этого, молекулярное моделирование типа того, что сделано в этом исследовании, может производить моделирование, которое предсказывает будущие ситуации, и может оценивать образование льда в экстремальных условиях температуры и давления, например, на других планетах.
«Методология глубокого потенциала, используемая в нашем исследовании, поможет реализовать потенциал молекулярной динамики ab initio для получения ценных предсказаний сложных явлений, таких как химические реакции и разработка новых материалов», — сказал Афанассиос Панайотопулос, профессор химии Сьюзен Дод Браун. и биологическая инженерия и соавтор исследования.
«Тот факт, что мы изучаем очень сложные явления из фундаментальных законов природы, меня очень волнует», — сказал Пьяджи, первый автор исследования и научный сотрудник по химии в Принстоне. Пьяджи получил докторскую степень. работа с Парринелло над разработкой новых методов изучения редких событий, таких как нуклеация, с использованием компьютерного моделирования. Редкие события происходят в масштабах времени, превышающих время моделирования, которое можно себе позволить даже с помощью ИИ, и для их ускорения необходимы специальные методы.
Джек Вайс, аспирант в области химической и биологической инженерии, помог увеличить вероятность наблюдения за зародышеобразованием, «посеяв» крошечные кристаллы льда в симуляцию. «Цель затравки — увеличить вероятность того, что вода будет образовывать кристаллы льда во время моделирования, что позволит нам измерить скорость образования ядер», — сказал Вейс, которого консультируют Дебенедетти и Панагиотопулос.
Молекулы воды состоят из двух атомов водорода и атома кислорода. Электроны вокруг каждого атома определяют, как атомы могут связываться друг с другом, образуя молекулы.
«Мы начнем с уравнения, описывающего поведение электронов», — сказал Пьяджи. «Электроны определяют, как взаимодействуют атомы, как они образуют химические связи и практически всю химию».
Атомы могут существовать буквально в миллионах различных конфигураций, сказал Кар, директор Центра химии в растворах и интерфейсов, финансируемого Управлением науки Министерства энергетики США и включающего региональные университеты.
«Магия заключается в том, что благодаря некоторым физическим принципам машина способна экстраполировать то, что происходит в относительно небольшом количестве конфигураций небольшого набора атомов, на бесчисленное количество конфигураций гораздо большей системы», — сказал Кар.
По словам Пьяджи, хотя подходы ИИ доступны уже несколько лет, исследователи с осторожностью относятся к их применению для расчетов физических систем. «Когда алгоритмы машинного обучения стали популярными, большая часть научного сообщества отнеслась к ним скептически, потому что эти алгоритмы — это черный ящик. Алгоритмы машинного обучения ничего не знают о физике, так зачем нам их использовать?»
Однако за последние пару лет в этом отношении произошли значительные изменения, сказал Пьяджи, не только потому, что алгоритмы работают, но и потому, что исследователи используют свои знания физики для информирования моделей машинного обучения.
Для Car приятно видеть, что работа, начатая три десятилетия назад, увенчалась успехом. «Развитие произошло благодаря чему-то, что было разработано в другой области, в области науки о данных и прикладной математики», — сказал Кар. «Наличие такого перекрестного взаимодействия между различными областями очень важно».
Исследование «Гомогенное зародышеобразование льда в модели воды с машинным обучением ab initio», проведенное Пабло М. Пьяджи, Джеком Вейсом, Афанассиосом З. Панайотопулосом, Пабло Г. Дебенедетти и Роберто Каром, было опубликовано в журнале Proceedings of the National. Академии наук на неделе 8 августа 2022 года.
