Сейчас самый популярный метод моделирования основан на использовании набора параметров, описывающих рассматриваемую биохимическую систему: дли́ны связей в молекулах, углы между атомами, заряды и т. д. — так называемый «метод силовых полей». Однако использование этого метода не позволяет точно воспроизводить квантово-механические силы, которые действуют в молекулах. Кроме того, точные квантово-механические расчёты занимают много времени, не позволяют рассчитывать свойства больших систем и ограничиваются парой сотен атомов.
Огромный интерес представляют модели машинного обучения. Обучаясь на относительно небольшой выборке данных (получаемых в квантово-механических расчётах), эти модели затем могут быть использованы вместо квантово-механических расчётов, поскольку обладают такой же точностью, но требуют примерно в тысячу раз меньше вычислительных ресурсов, чем квантово-механические расчёты.
Учёные применили машинное обучение для моделирования межатомных взаимодействий в кристаллах и расплавах двух элементов: алюминия и урана. Алюминий является хорошо изученным металлом с известными физико-химическими свойствами. Уран был выбран, наоборот, из-за наличия разнящихся опубликованных данных о его физико-химических свойствах и желания исследователей эти свойства уточнить.
В ходе данной работы с помощью обученной модели исследователи изучали такие свойства, как плотность фононных состояний, энтропия и температура плавления алюминия.
Иван Круглов, сотрудник лаборатории компьютерного дизайна материалов МФТИ, рассказывает: «Величины сил межмолекулярных взаимодействий атомов в кристаллах можно успешно применять для предсказания поведения атомов этого элемента при других температурах и в других фазовых состояниях, а также, наоборот, — зная свойства системы в жидком фазовом состоянии, узнать поведение атомов в кристаллической решётке. Таким образом, появляется возможность расчёта фазовой диаграммы урана на основании данных о его кристаллической структуре. Показывая состояние вещества в зависимости от давления и температуры, фазовые диаграммы позволяют определять возможности и границы применения элементов».
Основным критерием достоверности виртуально полученных данных являлось их сравнение с экспериментальной информацией. Использованный метод моделирования показал хорошую точность полученных виртуально данных. Информация, полученная методом машинного обучения, имеет меньшие погрешности, чем методы моделирования, использующие силовые поля.
Данное исследование заключается в повышении скорости и точности моделирования систем атомов методом машинного обучения, предложенным авторами в 2016 году. Работа сделана при поддержке Российского научного фонда.
