详细内容或原文请订阅后点击阅览
原子级模拟的机器学习：平衡速度和物理定律
取自对铁表面上的氮分子在非保守力作用下爆炸的模拟。请参阅下面的完整模拟。当我们想要了解物质的行为方式时，真正的作用发生在原子尺度上。水的加热、电池中的化学反应、细胞中蛋白质的折叠方式，或者 [...]
来源:ΑΙhub取自对铁表面上的氮分子在非保守力作用下爆炸的模拟。请参阅下面的完整模拟。
当我们想要了解物质的行为方式时，真正的作用发生在原子尺度上。水的加热、电池中的化学反应、细胞中蛋白质的折叠方式，或者催化剂如何将二氧化碳转化为有用的燃料，所有这些过程都受到原子的运动和相互作用的控制。
原子尺度模拟通过跟踪原子在量子力学定律下的运动方式，为我们提供了一种探索物质微观行为的方法。这些模拟在物理、化学、生物学和材料科学中已经变得至关重要。他们测试了这样的假设：在实验室合成和测试新材料之前，实验无法轻易探测和帮助设计新材料。
问题是准确性需要巨大的计算成本。即使用量子力学计算模拟几百个原子也可能非常昂贵，以至于模拟只覆盖实时的百万分之一秒。这还不足以看到最有趣的过程展开。为了捕获化学反应、蛋白质动力学或材料的长期稳定性，我们需要运行时间延长数千甚至数百万倍的模拟。
机器学习的作用
机器学习 (ML) 改变了这一局面。我们可以训练机器学习模型来模仿它们，而不是在每个模拟步骤中求解量子力学方程。这些机器学习的原子间势（MLIP）学习原子的排列和它们相互施加的力之间的关系，最终驱动它们的动力学。
非保守势力的“阴暗面”
非保守 力的阴暗面：评估原子机器学习的非保守力模型 铁表面氮分子的保守模拟（运行时间：36 分钟）。教训和展望
标签：
ICML,
ICML2025 马塞尔·兰格