• 赣资讯网
  • 您的位置:首页 >> 国际新闻 >> 正文

    神经网络厉害了!编码量子力学定律,几毫秒内模拟分子运动!

    发表时间:2019-09-07 信息来源:www.pibcuiaba.com 浏览次数:1354

     

    洛斯阿拉莫斯国家实验室,北卡罗来纳大学教堂山分校和佛罗里达大学最近的研究表明,人工神经网络可以训练成编码量子力学定律来描述分子的运动,这可能超过模拟了广泛的领域。

    洛斯阿拉莫斯实验室理论部的物理学家和国际化研究员贾斯汀史密斯说:这意味着我们现在可以比传统的量子方法更快地模拟材料和分子动力学,同时保持相同的精度。

    了解分子如何移动对于开发药物,蛋白质模拟和反应化学等潜在价值至关重要,量子力学和实验(经验)方法都可以应用于模拟。这项被称为ANI-1ccx潜力的新技术有望提高许多领域研究人员的能力,并提高未来金属合金和爆炸物理研究中机器学习潜力的准确性。量子力学(QM)算法用于经典计算机中以准确地描述化合物在其操作环境中的机械运动。然而,量子力学难以在不同的分子尺寸下扩展,这严重限制了可能的模拟范围。在模拟中,即使分子尺寸略微增加,计算负担也大大增加。

    因此,从业者经常根据经典物理学和牛顿定律使用描述原子运动的经验信息,使模拟能够扩展到数十亿原子或数百万种化合物。传统上,必须在准确性和可转移性之间权衡经验。当化合物的许多潜在参数被微调时,其他化合物的准确度降低。相反,洛斯阿拉莫斯团队与北卡罗来纳大学教堂山分校和佛罗里达大学合作。开发了一种称为“转移学习”的机器学习方法。

    通过学习收集的数百万其他化合物数据,可以建立经验。这种机器学习经验潜力的新方法可以在几毫秒内应用于新分子,以在更长的时间尺度上研究更多的化合物。化学和生物系统原子分辨率的计算模型是化学工具集中的重要工具。计算机模拟的使用需要在成本和精度之间取得平衡:量子力学方法提供了高精度,但计算成本高,并且对于大型系统具有较差的可扩展性,而经典力场具有低成本和可扩展性,但缺乏新的可移植性系统。

    机器学习人工神经网络可用于实现两种方法的最佳结果。研究人员在反应热化学,异构化和类药物分子扭转的基础上训练了一种通用神经网络电位(ANI-1ccx),该电位近似于CCSD(T)/CBS的准确性。这是通过将网络训练到DFT数据然后使用最佳跨越化学空间的传输学习技术在金标准QM计算(CCSD(T)/CBS)数据集上重新训练来实现的。由此产生的潜力被广泛用于材料科学,生物学和化学,比CCSD(T)/CBS计算快数十亿倍。

    博科公园

    0.2

    2019.08.15 14: 46

    字数949

    洛斯阿拉莫斯国家实验室,北卡罗来纳大学教堂山分校和佛罗里达大学最近的研究表明,人工神经网络可以训练成编码量子力学定律来描述分子的运动,这可能超过模拟了广泛的领域。

    洛斯阿拉莫斯实验室理论部的物理学家和国际化研究员贾斯汀史密斯说:这意味着我们现在可以比传统的量子方法更快地模拟材料和分子动力学,同时保持相同的精度。

    了解分子如何移动对于开发药物,蛋白质模拟和反应化学等潜在价值至关重要,量子力学和实验(经验)方法都可以应用于模拟。这项被称为ANI-1ccx潜力的新技术有望提高许多领域研究人员的能力,并提高未来金属合金和爆炸物理研究中机器学习潜力的准确性。量子力学(QM)算法用于经典计算机中以准确地描述化合物在其操作环境中的机械运动。然而,量子力学难以在不同的分子尺寸下扩展,这严重限制了可能的模拟范围。在模拟中,即使分子尺寸略微增加,计算负担也大大增加。

    因此,从业者经常根据经典物理学和牛顿定律使用描述原子运动的经验信息,使模拟能够扩展到数十亿原子或数百万种化合物。传统上,必须在准确性和可转移性之间权衡经验。当化合物的许多潜在参数被微调时,其他化合物的准确度降低。相反,洛斯阿拉莫斯团队与北卡罗来纳大学教堂山分校和佛罗里达大学合作。开发了一种称为“转移学习”的机器学习方法。

    通过学习收集的数百万其他化合物数据,可以建立经验。这种机器学习经验潜力的新方法可以在几毫秒内应用于新分子,以在更长的时间尺度上研究更多的化合物。化学和生物系统原子分辨率的计算模型是化学工具集中的重要工具。计算机模拟的使用需要在成本和精度之间取得平衡:量子力学方法提供了高精度,但计算成本高,并且对于大型系统具有较差的可扩展性,而经典力场具有低成本和可扩展性,但缺乏新的可移植性系统。

    机器学习人工神经网络可用于实现两种方法的最佳结果。研究人员在反应热化学,异构化和类药物分子扭转的基础上训练了一种通用神经网络电位(ANI-1ccx),该电位近似于CCSD(T)/CBS的准确性。这是通过将网络训练到DFT数据然后使用最佳跨越化学空间的传输学习技术在金标准QM计算(CCSD(T)/CBS)数据集上重新训练来实现的。由此产生的潜力被广泛用于材料科学,生物学和化学,比CCSD(T)/CBS计算快数十亿倍。

    洛斯阿拉莫斯国家实验室,北卡罗来纳大学教堂山分校和佛罗里达大学最近的研究表明,人工神经网络可以训练成编码量子力学定律来描述分子的运动,这可能超过模拟了广泛的领域。

    洛斯阿拉莫斯实验室理论部的物理学家和国际化研究员贾斯汀史密斯说:这意味着我们现在可以比传统的量子方法更快地模拟材料和分子动力学,同时保持相同的精度。

    了解分子如何移动对于开发药物,蛋白质模拟和反应化学等潜在价值至关重要,量子力学和实验(经验)方法都可以应用于模拟。这项被称为ANI-1ccx潜力的新技术有望提高许多领域研究人员的能力,并提高未来金属合金和爆炸物理研究中机器学习潜力的准确性。量子力学(QM)算法用于经典计算机中以准确地描述化合物在其操作环境中的机械运动。然而,量子力学难以在不同的分子尺寸下扩展,这严重限制了可能的模拟范围。在模拟中,即使分子尺寸略微增加,计算负担也大大增加。

    因此,从业者经常根据经典物理学和牛顿定律使用描述原子运动的经验信息,使模拟能够扩展到数十亿原子或数百万种化合物。传统上,必须在准确性和可转移性之间权衡经验。当化合物的许多潜在参数被微调时,其他化合物的准确度降低。相反,洛斯阿拉莫斯团队与北卡罗来纳大学教堂山分校和佛罗里达大学合作。开发了一种称为“转移学习”的机器学习方法。

    通过学习收集的数百万其他化合物数据,可以建立经验。这种机器学习经验潜力的新方法可以在几毫秒内应用于新分子,以在更长的时间尺度上研究更多的化合物。化学和生物系统原子分辨率的计算模型是化学工具集中的重要工具。计算机模拟的使用需要在成本和精度之间取得平衡:量子力学方法提供了高精度,但计算成本高,并且对于大型系统具有较差的可扩展性,而经典力场具有低成本和可扩展性,但缺乏新的可移植性系统。

    机器学习人工神经网络可用于实现两种方法的最佳结果。研究人员在反应热化学,异构化和类药物分子扭转的基础上训练了一种通用神经网络电位(ANI-1ccx),该电位近似于CCSD(T)/CBS的准确度。这是通过将网络训练到DFT数据然后使用最佳跨越化学空间的传输学习技术在金标准QM计算(CCSD(T)/CBS)数据集上重新训练来实现的。由此产生的潜力被广泛用于材料科学,生物学和化学,比CCSD(T)/CBS计算快数十亿倍。

    http://wap.yhyezi.cn

  • 热门标签

  • 日期归档

  • 友情链接:

    赣资讯网 版权所有© www.pibcuiaba.com 技术支持:赣资讯网 | 网站地图