O aprendizado de máquina permite cálculos precisos de estruturas eletrônicas em larga escala para modelagem de materiais

7 de julho de 2023

Este artigo foi revisado de acordo com o processo editorial e as políticas da Science X. Os editores destacaram os seguintes atributos, garantindo a credibilidade do conteúdo:

verificado

fonte confiável

revisar

pela Associação Helmholtz de Centros de Pesquisa Alemães

O arranjo dos elétrons na matéria, conhecido como estrutura eletrônica, desempenha um papel crucial na pesquisa fundamental, mas também aplicada, como o design de medicamentos e o armazenamento de energia. No entanto, a falta de uma técnica de simulação que ofereça alta fidelidade e escalabilidade em diferentes escalas de tempo e comprimento tem sido um obstáculo para o progresso dessas tecnologias.

Pesquisadores do Centro de Compreensão de Sistemas Avançados (CASUS) do Helmholtz-Zentrum Dresden-Rossendorf (HZDR) em Görlitz, Alemanha, e dos Laboratórios Nacionais Sandia em Albuquerque, Novo México, EUA, foram pioneiros em um método de simulação baseado em aprendizado de máquina que substitui as técnicas tradicionais de simulação de estrutura eletrônica.

Sua pilha de software de Algoritmos de Aprendizagem de Materiais (MALA) permite acesso a escalas de comprimento anteriormente inatingíveis. O trabalho está publicado na revista npj Computational Materials.

Os elétrons são partículas elementares de fundamental importância. Suas interações mecânicas quânticas entre si e com os núcleos atômicos dão origem a uma infinidade de fenômenos observados na química e na ciência dos materiais. Compreender e controlar a estrutura eletrônica da matéria fornece insights sobre a reatividade das moléculas, a estrutura e o transporte de energia dentro dos planetas e os mecanismos de falha material.

Os desafios científicos são cada vez mais abordados através de modelação e simulação computacional, aproveitando as capacidades da computação de alto desempenho. No entanto, um obstáculo significativo para a obtenção de simulações realistas com precisão quântica é a falta de uma técnica de modelagem preditiva que combine alta precisão com escalabilidade em diferentes escalas de duração e tempo.

Os métodos clássicos de simulação atomística podem lidar com sistemas grandes e complexos, mas a omissão da estrutura eletrônica quântica restringe sua aplicabilidade. Por outro lado, os métodos de simulação que não dependem de suposições como modelagem empírica e ajuste de parâmetros (métodos de primeiros princípios) fornecem alta fidelidade, mas são computacionalmente exigentes. Por exemplo, a teoria do funcional da densidade (DFT), um método de primeiros princípios amplamente utilizado, exibe escala cúbica com o tamanho do sistema, restringindo assim as suas capacidades preditivas a pequenas escalas.

A equipe de pesquisadores apresentou agora um novo método de simulação chamado pilha de software Materials Learning Algorithms (MALA). Na ciência da computação, uma pilha de software é uma coleção de algoritmos e componentes de software que são combinados para criar um aplicativo de software para resolver um problema específico.

Lenz Fiedler, Ph.D. estudante e principal desenvolvedor do MALA no CASUS, explica: "MALA integra aprendizado de máquina com abordagens baseadas na física para prever a estrutura eletrônica dos materiais. Ele emprega uma abordagem híbrida, utilizando um método de aprendizado de máquina estabelecido chamado aprendizado profundo para prever com precisão quantidades locais, complementado por algoritmos físicos para calcular quantidades globais de interesse."

A pilha de software MALA toma como entrada o arranjo dos átomos no espaço e gera impressões digitais conhecidas como componentes bispectrais, que codificam o arranjo espacial dos átomos em torno de um ponto da grade cartesiana. O modelo de aprendizado de máquina no MALA é treinado para prever a estrutura eletrônica com base nesta vizinhança atômica. Uma vantagem significativa do MALA é a capacidade do seu modelo de aprendizado de máquina ser independente do tamanho do sistema, permitindo que ele seja treinado em dados de pequenos sistemas e implantado em qualquer escala.