El aprendizaje automático permite realizar cálculos precisos de estructuras electrónicas a gran escala para el modelado de materiales

7 de julio de 2023

Este artículo ha sido revisado de acuerdo con el proceso editorial y las políticas de Science X. Los editores han resaltado los siguientes atributos al tiempo que garantizan la credibilidad del contenido:

verificado

fuente confiable

corregir

por la Asociación Helmholtz de Centros de Investigación Alemanes

La disposición de los electrones en la materia, conocida como estructura electrónica, desempeña un papel crucial en la investigación fundamental pero también aplicada, como el diseño de fármacos y el almacenamiento de energía. Sin embargo, la falta de una técnica de simulación que ofrezca alta fidelidad y escalabilidad en diferentes escalas de tiempo y duración ha sido durante mucho tiempo un obstáculo para el progreso de estas tecnologías.

Investigadores del Centro para la Comprensión de Sistemas Avanzados (CASUS) del Helmholtz-Zentrum Dresden-Rossendorf (HZDR) en Görlitz, Alemania, y de los Laboratorios Nacionales Sandia en Albuquerque, Nuevo México, EE. UU., han sido pioneros en un método de simulación basado en aprendizaje automático que reemplaza las técnicas tradicionales de simulación de estructuras electrónicas.

Su pila de software de algoritmos de aprendizaje de materiales (MALA) permite el acceso a escalas de longitud que antes eran inalcanzables. El trabajo está publicado en la revista npj Computational Materials.

Los electrones son partículas elementales de fundamental importancia. Sus interacciones mecánicocuánticas entre sí y con los núcleos atómicos dan lugar a una multitud de fenómenos observados en la química y la ciencia de los materiales. Comprender y controlar la estructura electrónica de la materia proporciona información sobre la reactividad de las moléculas, la estructura y el transporte de energía dentro de los planetas y los mecanismos de falla material.

Los desafíos científicos se abordan cada vez más mediante modelado y simulación computacionales, aprovechando las capacidades de la informática de alto rendimiento. Sin embargo, un obstáculo importante para lograr simulaciones realistas con precisión cuántica es la falta de una técnica de modelado predictivo que combine alta precisión con escalabilidad en diferentes escalas de longitud y tiempo.

Los métodos clásicos de simulación atomística pueden manejar sistemas grandes y complejos, pero su omisión de la estructura electrónica cuántica restringe su aplicabilidad. Por el contrario, los métodos de simulación que no se basan en suposiciones como el modelado empírico y el ajuste de parámetros (métodos de primeros principios) proporcionan alta fidelidad pero son computacionalmente exigentes. Por ejemplo, la teoría funcional de la densidad (DFT), un método de primeros principios ampliamente utilizado, muestra una escala cúbica con el tamaño del sistema, restringiendo así sus capacidades predictivas a escalas pequeñas.

El equipo de investigadores presentó ahora un nuevo método de simulación llamado pila de software de Algoritmos de Aprendizaje de Materiales (MALA). En informática, una pila de software es una colección de algoritmos y componentes de software que se combinan para crear una aplicación de software para resolver un problema particular.

Lenz Fiedler, Ph.D. estudiante y desarrollador clave de MALA en CASUS, explica: "MALA integra el aprendizaje automático con enfoques basados ​​en la física para predecir la estructura electrónica de los materiales. Emplea un enfoque híbrido, utilizando un método de aprendizaje automático establecido llamado aprendizaje profundo para predecir con precisión cantidades locales. complementado con algoritmos físicos para calcular cantidades globales de interés".

La pila de software MALA toma como entrada la disposición de los átomos en el espacio y genera huellas dactilares conocidas como componentes biespectrum, que codifican la disposición espacial de los átomos alrededor de un punto de cuadrícula cartesiana. El modelo de aprendizaje automático en MALA está entrenado para predecir la estructura electrónica basada en esta vecindad atómica. Una ventaja significativa de MALA es la capacidad de su modelo de aprendizaje automático de ser independiente del tamaño del sistema, lo que le permite entrenarse con datos de sistemas pequeños e implementarse a cualquier escala.

En su publicación, el equipo de investigadores mostró la notable eficacia de esta estrategia. Lograron una aceleración de más de 1.000 veces para sistemas de menor tamaño, compuestos por hasta unos pocos miles de átomos, en comparación con los algoritmos convencionales. Además, el equipo demostró la capacidad de MALA para realizar con precisión cálculos de estructuras electrónicas a gran escala, con más de 100.000 átomos. En particular, este logro se logró con un modesto esfuerzo computacional, lo que revela las limitaciones de los códigos DFT convencionales.

Attila Cangi, jefe interino del Departamento de Materia en Condiciones Extremas de CASUS, explica: "A medida que aumenta el tamaño del sistema y hay más átomos involucrados, los cálculos de DFT se vuelven poco prácticos, mientras que la ventaja de velocidad de MALA continúa creciendo. El avance clave de MALA radica en su "Capacidad para operar en entornos atómicos locales, lo que permite predicciones numéricas precisas que se ven mínimamente afectadas por el tamaño del sistema. Este logro innovador abre posibilidades computacionales que alguna vez se consideraron inalcanzables".

Cangi tiene como objetivo ampliar los límites de los cálculos de estructuras electrónicas aprovechando el aprendizaje automático. "Anticipamos que MALA provocará una transformación en los cálculos de estructuras electrónicas, ya que ahora tenemos un método para simular sistemas significativamente más grandes a una velocidad sin precedentes. En el futuro, los investigadores podrán abordar una amplia gama de desafíos sociales basados ​​en una línea de base mejorada, incluido el desarrollo de nuevas vacunas y materiales novedosos para el almacenamiento de energía, la realización de simulaciones a gran escala de dispositivos semiconductores, el estudio de defectos de materiales y la exploración de reacciones químicas para convertir el dióxido de carbono, gas de efecto invernadero atmosférico, en minerales respetuosos con el clima".

Además, el enfoque de MALA es especialmente adecuado para la informática de alto rendimiento (HPC). A medida que crece el tamaño del sistema, MALA permite el procesamiento independiente en la red computacional que utiliza, aprovechando de manera efectiva los recursos de HPC, particularmente las unidades de procesamiento gráfico.

Siva Rajamanickam, científico y experto en computación paralela de los Laboratorios Nacionales Sandia, explica: "El algoritmo de MALA para cálculos de estructuras electrónicas se adapta bien a los sistemas HPC modernos con aceleradores distribuidos. La capacidad de descomponer el trabajo y ejecutar en paralelo diferentes puntos de la cuadrícula a través de diferentes Los aceleradores hacen de MALA una combinación ideal para el aprendizaje automático escalable en recursos HPC, lo que lleva a una velocidad y eficiencia incomparables en los cálculos de estructuras electrónicas".

Más información: Lenz Fiedler et al, Predicción de estructuras electrónicas en cualquier escala de longitud con aprendizaje automático, npj Computational Materials (2023). DOI: 10.1038/s41524-023-01070-z

Proporcionado por la Asociación Helmholtz de Centros de Investigación Alemanes