machinaal leren, een data-analysemethode die wordt gebruikt om het bouwen van analytische modellen te automatiseren, heeft de manier waarop wetenschappers en ingenieurs onderzoek doen hervormd. Een tak van kunstmatige intelligentie (AI) en informatica, de methode steunt op een groot aantal algoritmen en brede datasets om patronen te identificeren en belangrijke onderzoeksbeslissingen te nemen.

Er ontstaan ​​toepassingen van machine learning-technieken op het gebied van oppervlaktekatalyse, uitgebreidere simulaties van nanodeeltjes mogelijk maken, studies over segregatie, structuur optimalisatie, on-the-fly leren van krachtvelden, en screening met hoge doorvoer. Echter, het verwerken van grote hoeveelheden gegevens kan vaak een lange en rekenkundige taak zijn.

Geometrie optimalisatie, vaak de snelheidsbeperkende stap in moleculaire simulaties, is een belangrijk onderdeel van computationele materialen en oppervlaktewetenschap. Het stelt onderzoekers in staat om atomaire structuren en reactiepaden in de grondtoestand te vinden, eigenschappen die worden gebruikt om de kinetische en thermodynamische eigenschappen van moleculaire en kristalstructuren te schatten. Hoewel van vitaal belang, het proces kan relatief langzaam zijn, waarvoor een groot aantal berekeningen nodig is.

Aan de Carnegie Mellon-universiteit, John Kitchin werkt eraan om dat proces te versnellen door een op neurale netwerken gebaseerde actieve leermethode te bieden die geometrische optimalisatie voor meerdere configuraties tegelijk versnelt. Het nieuwe model verlaagt het aantal dichtheidsfunctionaaltheorie (DFT) of effectieve mediumtheorie (EMT) berekeningen met 50 tot 90 procent, waardoor onderzoekers hetzelfde werk in minder tijd of meer werk in dezelfde hoeveelheid tijd kunnen doen.

"Normaal gesproken, wanneer we geometrie-optimalisatie doen, we beginnen vanaf nul, "zei Kitchin. "De berekeningen profiteren zelden van iets wat we in het verleden wisten."

"Door een surrogaatmodel aan het proces toe te voegen, we hebben het mogelijk gemaakt om te vertrouwen op eerdere berekeningen, in plaats van elke keer opnieuw te beginnen."

De studie illustreert de versnelling van verschillende casestudies, inclusief oppervlakken met adsorbaten, kale metalen oppervlakken, en stootte elastische band voor twee reacties. In ieder geval, het Atomic Simulation Environment (ASE)-optimizer Python-pakket maakte minder DFT-berekeningen mogelijk dan de standaardmethode.

Het ASE-optimizer Python-pakket is beschikbaar gesteld aan collega-ingenieurs en wetenschappers om het gebruik van neuraal netwerkensemble actief leren voor geometrie-optimalisatie gemakkelijker te maken.