用形态自回归协议 (MAP) 和卷积神经网络3D模拟无序物质
Ata Madanchi1, Michael Kilgour2, Frederik Zysk3
1Department of Physics, McGill University, 3600 University St., Montreal, Quebec H3A 2T8, Canada.
The Journal of chemical physics
|January 8, 2024
概括
我们开发了一种机器学习方法,即形态自回归协议 (MAP),以高效地生成无序的分子结构. 这种方法准确地模拟了像液态水这样的复杂系统,使材料科学的计算探索更快.
科学领域:
- 计算材料科学 计算材料科学
- 机器学习用于分子建模.
- 无序的分子系统 无序的分子系统
背景情况:
- 模拟无序的分子系统 (例如,无形催化剂,液态水) 是计算密集的,需要在准确性和采样之间进行权衡.
- 现有的方法很难实现所需的长度尺度和复杂分子配置的采样质量.
研究的目的:
- 引入一种生成式机器学习方法,即形态自回归协议 (MAP),用于高效地生成中尺度无序分子配置.
- 将MAP算法扩展到多元素3D系统,并使用水作为测试案例验证其性能.
主要方法:
- 开发并实施了使用增强的PixelCNN深度学习架构的形态自行回归协议 (MAP).
- 在液态水配置上训练了MAP模型,该模型是通过路径整体分子动力学模拟生成的,并结合了核量子效应.
- 应用MAP来生成液态水的3D多元元素配置,包括根据特定结构图案条件的场景.
主要成果:
- MAP成功地生成了高准确度的3D多元素水配置,准确地重现了训练数据的属性.
- 生成的配置作为后续量子动力学模拟的稳定初始条件.
- 证明了配置生成的线性成本,显著提高了计算效率.
结论:
- 形态自回归协议 (MAP) 为模拟无序的分子系统提供了一种高效准确的方法.
- MAP提供了一个强大的工具,用于对结构相关性迅速衰变的材料的计算探索.
- 这种方法可以适应各种无序系统,包括那些有灭无序的系统.
更多相关视频
10:45Anatomically Inspired Three-dimensional Micro-tissue Engineered Neural Networks for Nervous System Reconstruction, Modulation, and Modeling
Published on: May 31, 2017
13.1K
12:27Large-scale Reconstructions and Independent, Unbiased Clustering Based on Morphological Metrics to Classify Neurons in Selective Populations
Published on: February 15, 2017
7.0K
