“神经互联网模拟分子运动”

洛斯阿拉莫斯国家实验室、北卡罗莱纳大学教堂山分校和佛罗里达大学的新事业展示了人工神经互联网能够进行编码量子力学定律以描述分子运动的训练，并在很大范围内进行增压模拟的行业。

这意味着模拟材料和分子动力学的速度可以比我们迄今为止所传的量子方法快几十亿倍，并且可以维持同样的精度。 洛斯阿拉莫斯物理学家和大城市研究者justin smith在实验室的理论部门说。 了解分子如何移动对药物开发、蛋白质模拟和发掘反应性化学的潜在价值至关重要，量子力学和实验(经验)的做法可以用于模拟。

这项名为ani-1ccx潜力的新技术，有望在未来的金属合金和爆炸物理研究中，提高众多行业研究者的能力，提高机器学习潜力的准确性。

经典计算机中采用的量子力学( qm )算法能够准确地描述化合物在工作环境中的机械运动。 但qm在不同分子大小的分布非常差，明显限制了可能的模拟范围。 即使在模拟中，分子大小的微小增加也会显着增加计算负担。 因此，工作者经常用经验新闻来描述原子关于经典物理学和牛顿定律的运动，因为模拟可以扩展到数十亿原子和数百万种化合物。

一直以来，经验潜力必须在准确性和转移性之间权衡。 对一个化合物微调多个电位参数会降低其他化合物的精度。

相反，洛杉矶阿拉莫斯小组与北卡罗来纳大学教堂山分校和佛罗里达大学合作，开发了被称为转移学习的机器学习方法，通过学习收集到的数百万种其他化合物的数据，确立了经验潜力。 具有机器学习经验潜力的新方法可以在几毫秒内用于新分子，并且可以在更长的时间尺度上研究越来越多的化合物。

资金

洛斯阿拉莫斯的作者通过lanl ldrd计划感谢美国能源部( doe )的支持。 该事业部在美国能源部科学办公室运营的科学客户设施办公室纳米综合技术中心进行。 他还承认，lanl计算( IC )计划和lanl acl数据团队提供了计算资源。 这项研究的一部分是利用开放科学网格提供的资源完成的，该资源得到美国国家科学基金会奖1148698和美国能源部科学办公室的支持。