机器学习预测纳米粒子结构和动力学

纳米科学中心和芬兰于韦斯屈莱大学信息技术学院的研究人员证明，于韦斯屈莱大学开发的新的基于距离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。该研究于2020 年 5 月 15 日发表在《物理化学杂志》的机器学习专刊上。

新方法应用于配体稳定的金属纳米粒子，Jyväskylä 大学纳米科学中心长期以来一直在研究这些纳米粒子。去年，研究人员发表了一种能够成功预测纳米颗粒表面稳定配体分子结合位点的方法。现在，创建了一种新工具，可以根据粒子的原子结构可靠地预测势能，而无需使用大量的电子结构计算。该工具有助于在高温下对粒子的原子动力学进行蒙特卡罗模拟。

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化学强度不同的原子间键，传统上通过使用所谓的密度泛函理论 (DFT) 进行能量评估，这通常会导致需要使用超级计算机的大量数值计算。这阻碍了有效模拟来理解纳米粒子的功能，例如作为催化剂，或与生物对象(如蛋白质、病毒或 DNA)的相互作用。机器学习方法一旦经过训练对系统进行可靠建模，就可以将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。结果与使用密度泛函理论进行的模拟非常吻合。这种新方法允许模拟中对在笔记本电脑或台式机上运行的时间尺度，而参考DFT模拟了天，一台超级计算机，并同时使用数百甚至数千的电脑核心的几个小时。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。

研究人员使用了于韦斯屈莱的 Tommi Kärkkäinen 教授小组开发的基于距离的机器学习方法。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 DFT 模拟创建的训练集的相关性，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。

“从在超级计算机中运行模拟到在笔记本电脑或家用 PC 中以类似的质量运行它们，我们可以减少计算负载，这非常令人振奋，”博士说。学生 Antti Pihlajamäki 是该研究的主要作者。

“令人惊讶的是，我们相对简单的机器学习方法对于复杂的纳米结构如此有效，”Tommi Kärkkäinen 教授说。

“在下一阶段，我们的目标是推广适用于许多不同尺寸和化学成分的纳米粒子的方法。我们仍然需要超级计算机来生成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研究复杂化学环境中的纳米粒子功能，”负责协调这项研究的学院教授 Hannu Häkkinen 总结道。

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！