Ultimate magazine theme for WordPress.

یادگیری ماشین ساختار و پویایی نانوذرات

0

یادگیری ماشین ساختار و پویایی نانوذرات

 

یادگیری ماشین ساختار و پویایی نانوذرات
یادگیری ماشینی ساختار و پویایی نانوذرات را پیش بینی می کند اکنون می توان با استفاده از روش جدید یادگیری ماشین در دانشگاه Jyväskylä ، نانوساختارهایی مانند این نانوذرات طلای تحت پوشش تیول را مورد مطالعه قرار داد. این روش می تواند انرژی پتانسیل یک ساختار معین را به طور قابل اطمینان پیش بینی کند. اعتبار: Antti Pihlajamäki / دانشگاه Jyväskylä

یادگیری ماشین ساختار و پویایی نانوذرات محققان مرکز علوم نانو و دانشکده فناوری اطلاعات در دانشگاه Jyväskylä فنلاند نشان داده اند که روشهای جدید یادگیری ماشین مبتنی بر فاصله در دانشگاه Jyväskylä قادر به پیش بینی ساختارها و پویایی اتمی هستند. از نانوذرات قابل اعتماد است. روش های جدید به طور قابل توجهی سریعتر از روش های شبیه سازی سنتی است که برای تحقیقات نانوذرات استفاده می شود و اکتشافات کارآمدتر واکنش ذرات ذره و عملکرد ذرات را در محیط آنها تسهیل می کند. این مطالعه در شماره ویژه اختصاص داده شده به یادگیری ماشین در مجله شیمی فیزیکی در تاریخ ۱۵ مه سال ۲۰۲۰٫

روش های جدید برای فلزات تثبیت شده در لیگاند استفاده شد نانوذرات ، که مدتها در مرکز علوم نانو در دانشگاه Jyväskylä مورد مطالعه قرار گرفته است. سال گذشته ، محققان روشی را منتشر کردند که قادر است با موفقیت مکانهای اتصال مولکولهای لیگاند تثبیت کننده را در سطح نانوذرات پیش بینی کند. اکنون ، ابزاری جدید ایجاد شده است که می تواند انرژی بالقوه را قابل اطمینان پیش بینی کند ساختار اتمی ذره ، بدون نیاز به استفاده از محاسبات ساختار الکترونیکی عددی سنگین. این ابزار شبیه سازی مونت کارلو از پویایی اتم ذرات در دمای بالا را تسهیل می کند.

انرژی بالقوه یک سیستم یک مقدار اساسی در علوم نانو محاسباتی است ، زیرا امکان ارزیابی کمی ثبات سیستم ، میزان واکنشهای شیمیایی و قدرت پیوندهای بین اتمی را فراهم می کند. نانوذرات فلزی تثبیت شده در لیگاند دارای انواع مختلفی از پیوندهای بین اتمی با مقاومت شیمیایی متفاوت هستند و به طور سنتی ارزیابی انرژی با استفاده از تئوری عملکردی به اصطلاح (DFT) انجام می شود که اغلب منجر به محاسبات عددی سنگین و نیاز به استفاده از ابر رایانه ها می شود. این امر مانع از شبیه سازی های کارآمد برای درک عملکردهای ذرات نانو ، به عنوان مثال ، به عنوان کاتالیزور ، یا فعل و انفعالات با اشیا biological بیولوژیکی مانند پروتئین ها ، ویروس ها یا DNA می شود. روش های یادگیری ماشینی ، یک بار برای مدلسازی قابل اعتماد سیستم ها آموزش داده می شود ، می تواند شبیه سازی ها را با چندین مرتبه اندازه سرعت ببخشد.

روش جدید اجازه می دهد شبیه سازی ها را روی لپ تاپ یا دسکتاپ اجرا کنید

در این کار محققان از انرژی های بالقوه پیش بینی شده با روش یادگیری ماشین برای شبیه سازی پویایی اتمی ذرات نانو طلا تثبیت شده در تیول استفاده کردند. نتایج با شبیه سازی های انجام شده با استفاده از تئوری تابعی تراکم مطابقت داشت. روش جدید امکان شبیه سازی را در لپ تاپ یا دسک تاپ در مقیاس زمانی href=”https://phys.org/tags/time+scale/” rel=”tag” class=”textTag”> فراهم می کند چند ساعت دیگر در حالی که شبیه سازی مرجع DFT روزها در ابر رایانه طول می کشید و همزمان از صدها یا حتی هزاران هسته کامپیوتر استفاده می شود. این سرعت امکان شبیه سازی طولانی مدت تغییرات ساختاری ذرات و واکنش ذرات ذره در دمای بالا را فراهم می کند.

محققان از روش یادگیری ماشین مبتنی بر فاصله استفاده کردند. در گروه استاد Tommi Kärkkäinen در Jyväskylä توسعه یافت. این هر پیکربندی اتمی لحظه ای یک ذره نانو را با محاسبه توصیف به اصطلاح توصیف می کند و فاصله بین توصیف کنندگان را در یک فضای عددی چند بعدی مقایسه می کند. با استفاده از همبستگی در مجموعه آموزشی ایجاد شده توسط شبیه سازی مرجع DFT ، می توان انرژی بالقوه را پیش بینی کرد. این رویکرد ، که برای اولین بار در تحقیقات نانوذرات استفاده می شود ، ساده تر و شفاف تر از شبکه های عصبی است که به طور سنتی استفاده می شود.

“این بسیار انگیزشی است که ما می توانیم بار محاسباتی را از شبیه سازی های در حال اجرا در ابر رایانه ها به اجرای آنها با کیفیت مشابه در لپ تاپ یا رایانه خانگی کاهش دهیم” ، دانشجو Antti Pihlajamäki که نویسنده اصلی تحقیق است.

“Tommi Kärkkäinen” اظهار داشت: “بسیار تعجب آور بود که روشهای نسبتاً ساده یادگیری ماشینی ما برای نانوساختارهای پیچیده بسیار خوب عمل می کنند.”

“در مرحله بعدی ، هدف ما تعمیم روش کار مناسب برای نانوذرات با اندازه های مختلف و ترکیبات شیمیایی است. ما هنوز برای تولید داده های با کیفیت بالا برای آموزش الگوریتم یادگیری ماشین به ابر رایانه ها نیاز خواهیم داشت ، اما ما امیدواریم که در آینده بتوانیم از این روشهای جدید در درجه اول استفاده از نانوذرات در محیطهای شیمیایی پیچیده استفاده کنیم “، خلاصه ای از پروفسور آکادمی Hannu Häkkinen ، هماهنگ کننده مطالعه.

ارسال یک پاسخ

آدرس ایمیل شما منتشر نخواهد شد.