由耶瓦斯基勒大学主办 机器学习可以预测纳米粒子的结构和动力学。纳米结构，如这些硫醇覆盖的金纳米粒子，现在可以通过使用由杰瓦斯基大学开发的新机器学习方法来研究
该方法能够可靠地预测给定结构的势能
学分:安蒂·皮赫拉贾姆基/耶瓦斯基大学 芬兰耶瓦斯基勒大学纳米科学中心和信息技术学院的研究人员证明，耶瓦斯基勒大学开发的新的基于远程的机器学习方法能够可靠地预测纳米粒子的结构和原子动力学
新方法比用于纳米粒子研究的传统模拟方法要快得多，并且将有助于更有效地探索粒子-粒子反应和粒子在其环境中的功能
这项研究发表在2020年5月15日出版的《物理化学杂志》的机器学习专刊上
这种新方法被应用到配体稳定的金属纳米粒子上，这种纳米粒子已经在日夫斯基勒大学的纳米科学中心进行了很长时间的研究
去年，研究人员发表了一种方法，能够成功预测纳米粒子表面稳定配体分子的结合位点
现在，一种新的工具被创造出来，它可以根据粒子的原子结构可靠地预测势能，而不需要使用大量的电子结构计算
该工具有助于蒙特卡罗模拟高温下粒子的原子动力学
系统的势能是计算纳米科学中的一个基本量，因为它允许对系统的稳定性、化学反应速率和原子间键的强度进行定量评估
配体稳定的金属纳米粒子具有多种不同化学强度的原子间键，传统上，能量评估是通过使用所谓的密度泛函理论(DFT)来完成的，这通常导致需要使用超级计算机的大量数值计算
这阻碍了理解纳米粒子功能的有效模拟
g
、作为催化剂、或与生物对象如蛋白质、病毒或脱氧核糖核酸的相互作用
机器学习方法一旦被训练成能可靠地对系统建模，就能把模拟速度提高几个数量级
新方法允许在笔记本电脑或台式机上运行模拟 在这项工作中，研究人员使用机器学习方法预测的势能来模拟硫醇稳定的金纳米粒子的原子动力学
计算结果与用密度泛函理论进行的模拟结果一致
新方法允许在笔记本电脑或台式机上以几个小时的时间尺度运行模拟，而参考的离散傅立叶变换模拟在超级计算机上需要几天时间，同时使用数百甚至数千个计算机内核
加速将允许在高温下长时间模拟粒子的结构变化和粒子-粒子反应
研究人员使用了一种基于远程的机器学习方法，这种方法是由杰维斯凯拉的汤姆米·卡克卡宁教授开发的
它通过计算所谓的描述符来描述纳米粒子的每个瞬时原子构型，并在多维数值空间中比较描述符之间的距离
通过使用与参考离散傅立叶变换模拟产生的训练集的相关性，可以预测势能
这种方法现在首次用于纳米粒子研究，比传统使用的神经网络更简单、更透明
“这是非常激励人心的，我们可以减少计算负荷，从在超级计算机上运行模拟，到在笔记本电脑或家用电脑上以相似的质量运行它们，”博士说
D
学生安蒂·皮赫拉贾姆基是这项研究的主要作者
“我们相对简单的机器学习方法对复杂的纳米结构如此有效，这是一个巨大的惊喜，”汤姆米·卡克林教授说
“在下一阶段，我们的目标是将这种方法推广到适用于许多不同尺寸和化学成分的纳米粒子
“我们仍然需要超级计算机来产生足够高质量的数据来训练机器学习算法，但我们希望在未来我们可以将这些新方法主要用于复杂化学环境中纳米粒子功能的研究，”负责协调这项研究的科学院教授汉努·哈克宁总结道
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
