Nieuw werk van Los Alamos National Laboratory, de Universiteit van North Carolina in Chapel Hill, en de Universiteit van Florida laat zien dat kunstmatige neurale netten kunnen worden getraind om kwantummechanische wetten te coderen om de bewegingen van moleculen te beschrijven, superchargen-simulaties mogelijk over een breed scala van velden.

"Dit betekent dat we materialen en moleculaire dynamica nu miljarden keren sneller kunnen modelleren in vergelijking met conventionele kwantummethoden, met behoud van hetzelfde nauwkeurigheidsniveau, " zei Justin Smit, Los Alamos natuurkundige en Metropolis Fellow in de theoretische afdeling van het laboratorium. Begrijpen hoe moleculen bewegen is van cruciaal belang om hun potentiële waarde voor de ontwikkeling van geneesmiddelen te benutten, eiwitsimulaties en reactieve chemie, bijvoorbeeld, en zowel kwantummechanica als experimentele (empirische) methoden worden meegenomen in de simulaties.

De nieuwe techniek, het ANI-1ccx-potentieel genoemd, belooft de mogelijkheden van onderzoekers op veel gebieden te vergroten en de nauwkeurigheid van op machine learning gebaseerde mogelijkheden te verbeteren in toekomstige studies van metaallegeringen en detonatiefysica.

Kwantummechanische (QM) algoritmen, gebruikt op klassieke computers, kan nauwkeurig de mechanische bewegingen van een verbinding in zijn operationele omgeving beschrijven. Maar QM schaalt erg slecht met verschillende molecuulgroottes, waardoor de reikwijdte van mogelijke simulaties ernstig wordt beperkt. Zelfs een kleine toename van de molecuulgrootte binnen een simulatie kan de rekenlast dramatisch verhogen. Dus beoefenaars nemen vaak hun toevlucht tot empirische informatie, die de beweging van atomen beschrijft in termen van klassieke fysica en de wetten van Newton, simulaties mogelijk maken die opschalen naar miljarden atomen of miljoenen chemische verbindingen.

traditioneel, empirische mogelijkheden hebben een afweging moeten maken tussen nauwkeurigheid en overdraagbaarheid. Wanneer de vele parameters van de potentiaal nauwkeurig zijn afgestemd op één verbinding, de nauwkeurigheid neemt af op andere verbindingen.

In plaats daarvan, het Los Alamos-team, met de Universiteit van North Carolina in Chapel Hill en de Universiteit van Florida, heeft een machine learning-benadering ontwikkeld, transfer learning genaamd, waarmee ze empirische mogelijkheden kunnen opbouwen door te leren van gegevens die zijn verzameld over miljoenen andere verbindingen. De nieuwe benadering met het empirische potentieel van machine learning kan in milliseconden worden toegepast op nieuwe moleculen, onderzoek naar een veel groter aantal verbindingen mogelijk maken over veel langere tijdschalen.