英语轻松读发新版了,欢迎下载、更新

AI训练方法可大幅缩短量子力学计算时间

2024-10-30 19:00:54 英文原文

作者:by The Korea Advanced Institute of Science and Technology (KAIST)

KAIST Proposes AI Training Method that will Drastically Shorten Time for Calculations in Quantum Mechanics
DeepSCF 模型概述。信用:npj 计算材料(2024)。DOI:10.1038/s41524-024-01433-0

人工智能与高度复杂的科学计算之间的密切关系可以从以下事实看出:2024 年诺贝尔物理奖和化学奖都授予了为各自研究领域设计人工智能的科学家。韩国科学技术院的研究人员现在通过使用一种新颖的人工智能教学方法来预测分布在 3D 空间中的原子级化学键信息,成功地大大缩短了高度复杂的量子力学计算机模拟的计算时间。

电气工程学院 Yong-Hoon Kim 教授团队开发出基于人工神经网络的 3D 计算机视觉该方法绕过使用超级计算机执行原子级量子力学计算所需的复杂算法来推导材料的特性。

密度泛函理论 (DFT) 计算使用超级计算机已成为广泛研究和开发领域的基本和标准工具,包括和药物设计,因为它们可以快速准确地预测量子特性。

然而,在电流密度泛函理论(DFT)计算中,生成三维电子密度和求解量子力学方程的复杂自洽场(SCF)过程必须重复数十到数百次,这限制了其应用到数百或数百次。数千个原子。

Yong-Hoon Kim教授的研究小组询问是否有可能利用最近快速发展的人工智能技术来避免自洽现场过程。于是,他们开发了DeepSCF模型,通过计算机视觉领域的神经网络算法学习分布在三维空间中的化学键信息来加速计算。

该研究是发表在日记中npj 计算材料

研究小组关注的事实是,根据密度泛函理论,包含了电子的全部量子力学信息,此外,剩余电子密度,即总电子密度与组成原子的电子密度之和的差值,包含了化学键信息,选其为目标用于机器学习。

随后,团队采用了包含各种化学键特征的有机分子数据集,并对其中包含的分子的原子结构进行任意旋转和变形,进一步提高了模型的准确性和泛化性能。最后,研究团队证明了DeepSCF方法对于复杂大型系统的有效性和效率。

领导这项研究的 Yong-Hoon Kim 教授表示:“我们找到了一种方法,将分布在三维空间中的量子力学化学键信息与人工神经网络相对应。由于量子力学电子结构计算是所有-通过大规模材料特性模拟,我们已经建立了通过人工智能加速材料计算的总体基本原则。”

更多信息:Ryong-Gyu Lee 等人,通过网格投影原子指纹进行自洽电子密度的卷积网络学习,npj 计算材料(2024)。DOI:10.1038/s41524-024-01433-0

引文:AI训练方法可以大大缩短量子力学的计算时间(2024年10月30日)检索日期:2024 年 10 月 30 日来自 https://phys.org/news/2024-10-ai-method-drastically-shorten-quantum.html

本文档受版权保护。除了出于私人学习或研究目的的任何公平交易外,不得未经书面许可,不得复制部分内容。所提供的内容仅供参考。

关于《AI训练方法可大幅缩短量子力学计算时间》的评论


暂无评论

发表评论

摘要

KAIST 研究人员使用 3D 计算机视觉人工神经网络开发了 DeepSCF 模型,通过预测原子级化学键信息,显着减少量子力学模拟中的计算时间。该方法绕过了复杂的自洽场 (SCF) 过程,这对于材料性能预测的密度泛函理论 (DFT) 计算至关重要。该团队利用电子密度数据并应用机器学习技术来提高模型的准确性和效率,证明其在复杂系统上的有效性。该研究旨在通过人工智能加速材料特性模拟。