机器学习允许量子力学有效地应用于分子模拟

洛斯阿拉莫斯国家实验室，北卡罗来纳大学教堂山分校和佛罗里达大学的新工作表明，人工神经网络可以训练编码量子力学定律来描述分子的运动，可能在很大范围内进行增压模拟的领域。“这意味着我们现在可以比传统的量子方法更快地模拟材料和分子动力学数十亿倍，同时保持相同的准确度，”洛斯阿拉莫斯物理学家和大都市研究员Justin Smith在实验室的理论部门说。了解分子如何移动对于挖掘药物开发，蛋白质模拟和反应性化学的潜在价值至关重要，量子力学和实验(经验)方法都可以用于模拟。

这项名为ANI-1ccx潜力的新技术有望在未来的金属合金和爆炸物理研究中提高许多领域研究人员的能力，并提高机器学习潜力的准确性。

在经典计算机上使用的量子力学(QM)算法可以准确地描述化合物在其操作环境中的机械运动。但是QM在不同分子大小下的分布非常差，严重限制了可能的模拟范围。即使模拟中分子大小的轻微增加也会显着增加计算负担。因此，从业者经常使用经验信息来描述原子在经典物理学和牛顿定律方面的运动，从而使模拟能够扩展到数十亿原子或数百万种化合物。

传统上，经验潜力必须在准确性和可转移性之间进行权衡。当对一种化合物精细调节许多电位参数时，其他化合物的准确度会降低。

相反，洛杉矶阿拉莫斯团队与北卡罗来纳大学教堂山分校和佛罗里达大学合作开发了一种称为转移学习的机器学习方法，通过学习收集的数百万种其他化合物的数据，让他们建立经验潜力。具有机器学习经验潜力的新方法可以在几毫秒内应用于新分子，从而能够在更长的时间尺度上研究更多数量的化合物。

洛斯阿拉莫斯的作者通过LANL LDRD计划感谢美国能源部(DOE)的支持。这项工作部分在为美国能源部科学办公室运营的科学用户设施办公室纳米综合技术中心进行。他们还承认LANL机构计算(IC)计划和LANL ACL数据团队提供计算资源。这项研究部分是利用开放科学网格提供的资源完成的，该资源得到了美国国家科学基金会奖项1148698和美国能源部科学办公室的支持。