Оцифровка и виртуализация приобретают все большее значение в широком спектре научных дисциплин. Одной из таких дисциплин является материаловедение: исследования, разработка и производство новых материалов в значительной степени зависят от наличия быстрых и в то же время точных методов моделирования. Это, в свою очередь, выгодно для широкого спектра различных применений - от эффективных систем хранения энергии, таких как те, которые необходимы для использования возобновляемых источников энергии, до новых лекарств, для разработки которых требуется понимание сложных биологических процессов. Искусственный интеллект и методы машинного обучения могут вывести моделирование в материаловедении на новый уровень. "По сравнению с традиционными методами моделирования, основанными на классических или квантово-механических вычислениях, использование нейронных сетей, специально адаптированных для моделирования материалов, позволяет нам достичь значительного преимущества в скорости", - объясняет физик и эксперт по искусственному интеллекту профессор Паскаль Фридерих, руководитель исследовательской группы AiMat - Искусственный интеллект для материаловедения в Институте физики КИТ. Теоретическая информатика (ITI). "С более быстрыми системами моделирования ученые смогут разрабатывать более крупные и сложные материальные системы в чисто виртуальной среде, а также понимать и оптимизировать их вплоть до атомного уровня".

Высокая точность от атома до материала

В статье, опубликованной в Природные материалы, Паскаль Фридерих, который также является заместителем руководителя группы наноматериалов по информационно-ориентированному проектированию в Институте нанотехнологий КИТ (INT), представляет вместе с исследователями из Геттингенского университета и Университета Торонто обзор основных принципов машинного обучения, используемых для моделирования в материаловедении.. Это также включает в себя процесс сбора данных и активные методы обучения. Алгоритмы машинного обучения позволяют искусственному интеллекту не только обрабатывать входные данные, но и находить закономерности и корреляции в больших наборах данных, извлекать из них уроки и принимать автономные прогнозы и решения. Для моделирования в материаловедении важно достичь высокой точности в различных временных и размерных масштабах, начиная от атома и заканчивая материалом, при одновременном ограничении вычислительных затрат. В своей статье ученые также обсуждают различные современные области применения, такие как малые органические молекулы и большие биомолекулы, структурно неупорядоченные твердые, жидкие и газообразные материалы, а также сложные кристаллические системы - например, металлорганические каркасы, которые могут использоваться для хранения газа или для разделения, для датчиков или для катализаторы.

Еще больше скорости благодаря гибридным методам

Чтобы еще больше расширить возможности моделирования материалов в будущем, исследователи из Карлсруэ, Геттингена и Торонто предлагают разработать гибридные методы: они сочетают методы машинного обучения (ML) и молекулярной механики (MM). Моделирование ММ использует так называемые силовые поля для того, чтобы рассчитать силы, действующие на каждую отдельную частицу, и таким образом предсказать движения. Поскольку потенциалы методов ML и MM весьма схожи, возможна тесная интеграция с переменными областями перехода. Эти гибридные методы могли бы значительно ускорить моделирование больших биомолекул или ферментативных реакций, например, в будущем.