Een revolutionaire machine learning-benadering (ML) om de bewegingen van atomen in materialen zoals aluminium te simuleren, wordt beschreven in de Natuurcommunicatie logboek. Deze geautomatiseerde benadering van "interatomaire potentiaalontwikkeling" zou het gebied van de ontdekking van computationele materialen kunnen transformeren.

"Deze aanpak belooft een belangrijke bouwsteen te worden voor de studie van materiaalschade en veroudering vanaf de eerste beginselen, "Zei projectleider Justin Smith van Los Alamos National Laboratory. "Het simuleren van de dynamiek van op elkaar inwerkende atomen is een hoeksteen van het begrijpen en ontwikkelen van nieuwe materialen. Methoden voor machinaal leren bieden computationele wetenschappers nieuwe tools om deze atomistische simulaties nauwkeurig en efficiënt uit te voeren. Machine learning-modellen zoals deze zijn ontworpen om de resultaten van zeer nauwkeurige kwantumsimulaties na te bootsen, tegen een kleine fractie van de rekenkosten."

Om de algemene nauwkeurigheid van deze machine learning-modellen te maximaliseren, hij zei, het is essentieel om een ​​zeer diverse dataset te ontwerpen waaruit het model kan worden getraind. Een uitdaging is dat het niet duidelijk is, a priori, welke trainingsgegevens het meest nodig zijn voor het ML-model. Het recente werk van het team presenteert een geautomatiseerde "active learning"-methodologie voor het iteratief bouwen van een trainingsdataset.

Bij elke iteratie, de methode gebruikt het huidige beste machine learning-model om atomistische simulaties uit te voeren; wanneer nieuwe fysieke situaties worden aangetroffen die buiten de kennis van het ML-model liggen, nieuwe referentiegegevens worden verzameld via dure kwantumsimulaties, en het ML-model wordt omgeschoold. Door dit proces, de actieve leerprocedure verzamelt gegevens over veel verschillende soorten atomaire configuraties, waaronder een verscheidenheid aan kristalstructuren, en een verscheidenheid aan defectpatronen die in kristallen verschijnen.