LOS ALAMOS, N.M., 23 februari 2021 – Een revolutionaire machine-learning (ML)-aanpak om de bewegingen van atomen in materialen zoals aluminium te simuleren, wordt beschreven in de publicatie van deze week Nature Communications logboek. Deze geautomatiseerde benadering van ‘interatomaire potentiële ontwikkeling’ zou het veld van de ontdekking van computationele materialen kunnen transformeren.

"Deze aanpak belooft een belangrijke bouwsteen te worden voor de studie van materiaalschade en veroudering vanuit de eerste principes", zegt projectleider Justin Smith van het 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. Machine learning-methoden bieden computationele wetenschappers nieuwe hulpmiddelen om deze atomistische simulaties nauwkeurig en efficiënt uit te voeren. Machine learning-modellen zoals deze zijn ontworpen om de resultaten van zeer nauwkeurige kwantumsimulaties te emuleren, tegen een klein deel van de rekenkosten.”

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

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

###

Het artikel: Geautomatiseerde ontdekking van een robuust interatomair potentieel voor aluminium, Nature Communications, DOI: 10.1038/s41467-021-21376-0

De financiering: Dit werk werd gedeeltelijk gefinancierd door het Los Alamos National Laboratory Advanced Simulation and Computing (ASC) -programma en de computertijd werd verstrekt door de Lawrence Livermore National Laboratory Sierra Supercomputer tijdens de open access-periode.

Over Los Alamos National Laboratory

Los Alamos National Laboratory, een multidisciplinaire onderzoeksinstelling die zich bezighoudt met strategische wetenschap namens de nationale veiligheid, wordt beheerd door Triad, een op openbare dienstverlening gerichte, nationale veiligheidswetenschappelijke organisatie die gelijkelijk eigendom is van de drie oprichtende leden: Battelle Memorial Institute (Battelle), de Texas A&M University System (TAMUS), en de regenten van de University of California (UC) voor de National Nuclear Security Administration van het Department of Energy.

Los Alamos verbetert de nationale veiligheid door de veiligheid en betrouwbaarheid van de Amerikaanse nucleaire voorraad te waarborgen, technologieën te ontwikkelen om de dreigingen van massavernietigingswapens te verminderen en problemen op te lossen die verband houden met energie, milieu, infrastructuur, gezondheid en wereldwijde veiligheidsproblemen.
LA-UR-21-21717