Модель машинного обучения, предсказывающая атомные взаимодействия для моделирования материалов.Машинно-обученный межатомный потенциал — это вычислительная модель, предсказывающая энергию и силы между атомами в материале, обученная на данных квантово-механических расчетов. Традиционные симуляции опираются либо на дорогостоящие квантовые методы, либо на упрощенные классические приближения. Машинно-обученные потенциалы стремятся сочетать точность квантовой механики со скоростью классических симуляций, позволяя изучать большие системы на длительных временных масштабах, что иначе было бы невозможно.
Концепция возникла в середине 2000-х годов; ранние работы Йорга Белера и Микеле Парринелло в 2007 году представили подход на основе нейронных сетей для представления поверхностей потенциальной энергии. С тех пор область быстро расширилась, появились различные архитектуры и применения.
Модель обучается на наборе данных атомных конфигураций и соответствующих им энергий и сил, обычно генерируемых расчетами теории функционала плотности (DFT). Алгоритм машинного обучения, часто нейронная сеть, учится отображать локальное атомное окружение в потенциальную энергию. После обучения модель может почти мгновенно предсказывать энергии и силы для новых конфигураций, что позволяет проводить молекулярно-динамические симуляции миллионов атомов с точностью, близкой к квантовой.
Эти потенциалы используются в материаловедении для моделирования свойств металлов, полупроводников, полимеров и аккумуляторных материалов, а также в химии для изучения химических реакций и в биохимии для изучения сворачивания белков.
Некоторые машинно-обученные потенциалы теперь настолько точны, что могут предсказывать такие свойства материалов, как теплопроводность или фазовые переходы, которые ранее были доступны только с помощью дорогостоящих квантовых симуляций.


















