Een team van onderzoekers van MIPT, Skoltech, en Dukhov Research Institute of Automatics, onder leiding van Artem Oganov, gebruikte een machine learning-techniek om het gedrag van aluminium en uranium in de vloeibare en kristallijne fasen bij verschillende temperaturen en drukken te modelleren. Dergelijke simulaties van chemische systemen kunnen hun eigenschappen onder verschillende omstandigheden voorspellen voordat experimenten worden uitgevoerd, verder werken met alleen de meest veelbelovende materialen mogelijk maken. De onderzoeksresultaten zijn gepubliceerd in het tijdschrift Wetenschappelijke rapporten .

Computerchemie

Snelle vorderingen in de wetenschap in de afgelopen 100 jaar hebben geleid tot de ontdekking van een verbazingwekkend aantal organische en anorganische verbindingen, eiwit- en lipidestructuren, en chemische reacties. Maar met al deze nieuwe structuren en moleculen, er is steeds meer tijd nodig om hun make-up te bestuderen, biochemische en fysische eigenschappen, en om de modellen van hun gedrag onder verschillende omstandigheden en hun mogelijke interacties met andere verbindingen te testen. Dergelijk onderzoek kan nu worden versneld met behulp van computermodellering.

De krachtveldbenadering is momenteel de dominante modelleringstechniek. Het maakt gebruik van een reeks parameters die een bepaald biochemisch systeem beschrijven. Deze omvatten bindingslengtes, hoeken en ladingen, onder andere. Echter, deze techniek is niet in staat om de kwantummechanische krachten die in moleculen spelen nauwkeurig te reproduceren. Nauwkeurige kwantummechanische berekeningen zijn tijdrovend. Aanvullend, ze maken alleen voorspellingen mogelijk van het gedrag van monsters die op zijn best enkele honderden atomen groot zijn.

Machine learning-benaderingen van moleculaire modellering zijn van groot belang voor chemici. Ze maken modellen mogelijk die worden getraind op relatief kleine datasets die zijn verkregen door middel van kwantummechanische berekeningen. Dergelijke modellen kunnen dan kwantummechanische berekeningen vervangen, omdat ze net zo nauwkeurig zijn en ongeveer 1 nodig hebben 000 keer minder rekenkracht.

Vooruitgang geboekt door machine learning-tools die interacties tussen atomen modelleren

De onderzoekers gebruikten machine learning om de interacties tussen atomen in kristallijn en vloeibaar aluminium en uranium te modelleren. Aluminium is een goed bestudeerd metaal waarvan de fysische en chemische eigenschappen bekend zijn bij wetenschappers. Uranium, daarentegen, werd gekozen omdat er tegenstrijdige gepubliceerde gegevens zijn over de fysische en chemische eigenschappen, die de onderzoekers nauwkeuriger wilden definiëren.

Het artikel beschrijft hun onderzoek naar materiaaleigenschappen als de fonondichtheid van toestanden, entropie, en de smelttemperatuur van aluminium.

"De grootheden van interatomaire krachten in kristallen kunnen worden gebruikt om te voorspellen hoe atomen van hetzelfde element zich zullen gedragen onder verschillende temperaturen en in een andere fase, " zegt Ivan Kruglov van het Computational Materials Design Laboratory van het MIPT. "Op dezelfde manier, je kunt de gegevens over de eigenschappen van een vloeistof gebruiken om erachter te komen hoe de atomen zich in een kristal zullen gedragen. Dit betekent dat door meer te weten te komen over de kristalstructuur van uranium, we kunnen uiteindelijk het hele fasediagram voor dit metaal reconstrueren. Fasediagrammen zijn grafieken die de eigenschappen van elementen aangeven als functie van druk en temperatuur. Ze worden gebruikt om de grenzen aan de toepasbaarheid van een bepaald element te bepalen."

Om ervoor te zorgen dat de gegevens die door computersimulaties worden verkregen, geldig zijn, ze worden vergeleken met experimentele resultaten. De methode die de onderzoekers gebruikten, kwam goed overeen met eerdere experimenten. De informatie die werd verkregen met de aanpak op basis van machine learning had een lager foutenpercentage, vergeleken met de modelleringstechnieken die gebruik maken van krachtvelden.

In dit onderzoek, de auteurs verbeteren hun resultaten uit 2016 in termen van snelheid en nauwkeurigheid van atomaire systeemmodellering met behulp van machine learning.