به روزترین مقالات
شبیه سازی حرکت‌های مولکولی از طریق روش جدیدی در یادگیری ماشین

شبیه سازی حرکت‌های مولکولی از طریق روش جدیدی در یادگیری ماشین

یادگیری ماشین به مکانیک کوانتومی اجازه می‌‌‌دهد تا شبیه سازی‌ حرکت‌های مولکولی را به طور موثری اجرا کند.

پژوهش جدید و مشترک آزمایشگاه ملی لوس آلاموس، دانشگاه کارولینای شمالی و دانشگاه فلوریدا نشان می‌‌‌دهد که می‌توان شبکه‌های عصبی مصنوعی را برای رمزنگاری قوانین مکانیک کوانتومی جهت توصیف حرکت مولکول‌ها و همچنین شبیه سازی در زمینه‌های مختلف، آموزش داد. دانشمندان می‌گویند:

این پژوهش نشان می‌دهد ما اکنون می‌‌‌توانیم دینامیک‌های مولکولی و مواد را میلیاردها بار سریع‌تر از روش‌های کوانتومی متداول مدل‌سازی کنیم، در حالیکه سطح دقت هر دو یکسان است

دانستن چگونگی حرکت ملکول‌ها برای استفاده از ارزش بالقوه آن‌ها به منظور توسعه دارو و شبیه سازی پروتئین، حیاتی است. ضمن آنکه، مقادیر ورودی شبیه سازی، هم از مکانیک کوانتومی و هم از مقادیر تجربی تهیه می‌شوند. روش جدیدی که پتانسیلANI-1ccx  نامیده می‌‌‌شود، نویدبخش ارتقای قابلیت‌های محققان در بسیاری از زمینه‌هاست. این روش می‌تواند دقت پتانسیل های مبتنی بر یادگیری ماشین را در حوزه‌های آلیاژهای فلزی و فیزیک انفجار بهبود بخشد.

الگوریتم‌های کوانتومی مورد استفاده در کامپیوتر‌های کلاسیکی می‌‌‌توانند حرکات مکانیکی یک ترکیب را در محیط عملیاتی‌اش، به طور دقیق توصیف کنند، اما این الگوریتم‌ها با تغییر انداره‌ی ملکولی، مقیاس‌پذیری ضعیفی از خود نشان می‌دهند و در نتیجه شبیه سازی های ممکن را به شدت محدود می‌‌‌سازند. حتی افزایش جزئی اندازه مولکول هنگام یک شبیه سازی می‌‌‌تواند حجم محاسبات را به طور چشمگیری افزایش دهد. بنابراین متخصصان اغلب اطلاعات تجربی را (که حرکت اتم‌ها را از دیدگاه فیزیک کلاسیک و قوانین نیوتون توصیف می‌‌‌کنند) نیز وارد کرده و از این طریق، شبیه سازی حرکت‌های مولکولی را در ابعاد میلیاردها اتم یا میلیون‌ها ترکیب شیمیایی امکان‌پذیر می‌‌‌کنند.

انتخاب پتانسیل‌های آزمایشگاهی سنتی، به سبک‌سنگین کردن میان دقت و قابلیت انتقال برمی‌گردد. وقتی پارامترهای زیادی از یک پتانسیل برای یک ترکیب، تنظیم می‌‌‌شود، دقتش در ترکیبات دیگر کاهش می‌‌‌یابد. اکنون دانشمندان یک روش یادگیری ماشین به نام یادگیری انتقال (transfer learning) توسعه داده‌اند که به کمک یادگیری از طریق داده‌های جمع‌آوری شده از میلیون‌ها ترکیب دیگر، امکان ساخت پتانسیل‌های تجربی را به آنها می‌‌‌دهد. این رویکرد جدید با پتانسیل تجربی یادگیری ماشین می‌‌‌تواند برای مولکول‌های جدید، در مدت زمان میلی‌ثانیه استفاده شود و بنابراین تحقیق روی تعداد بسیار بیشتری از ترکیبات و در زمان‌های بسیار طولانی‌تر را امکان‌پذیر نماید.
 


مشاهده مقاله اصلی در مجله
منبع: sciencedaily
كلمات كليدي :
شبیه سازی حرکات ملکولی , یادگیری ماشین , شبکه های عصبی
 
امتیاز دهی
 
 

بيشتر