Naučnici razvijaju ultrarobustne modele mašinskog učenja sposobne za stabilne molekularne simulacije

Studija istražuje prvi model na bazi veštačke inteligencije (AI) koji može da održava molekularne simulacije bezbednim i lakim, čak i kada su molekuli izloženi ekstremnim uslovima.

Jednostavnije rečeno, model sprečava molekule da se "raspadnu" u simulaciji, omogućavajući istraživačima da proučavaju njihovo ponašanje tokom dugih perioda i na veoma visokim temperaturama. Ova stabilnost otvara vrata pouzdanijim otkrićima u oblastima kao što su razvoj lekova, novi materijali i održiva hemija, sve bez oslanjanja na skupe superkompjutere.

Preporučujemo

Potencijali mašinskog učenja (MLP) se uveliko koriste u cilju aproksimacije kvantnog mehaničkog ponašanja u molekulima, ali većina postojećih modela postaje nestabilna kad molekuli dožive toplotu, kretanje ili strukturnu deformaciju. To čini duge, pouzdane simulacije krajnje teškim za ostvarenje.

Naučnici sa Mančesterskog univerziteta rešili su ovaj dugotrajni izazov integrišući ogromno fizičko znanje direktno u svoj model. Napravili su novi AI model koristeći regresiju gausovskog procesa, da bi razumeli kako se atomi u molekulu prirodno ponašaju.

Da bi to uradili, uneli su u model detaljne informacije o interakciji atoma u stvarnom životu, na osnovu pravila kvantne fizike, kako bi pomogli veštačkoj inteligenciji da dođe do realističnijih predikcija o tome kako bi svaki deo molekula trebalo da se kreće.

Takođe su otkrili da mali matematički izbor utiče na stabilnost modela; sa ovom funkcijom, AI je imala ispravnu "polaznu tačku" za stvaranje i održavanje stabilnog modela čak i kad je molekul istegnut, zagrejan ili uzdrman.

„Godinama se zajednica fokusira na tačnost, a mi smo pokazali da je pravi test da li model može da preživi nepredvidive situacije sa kojima se molekuli susreću tokom simulacije. Naši modeli ne samo da preživljavaju, već aktivno ispravljaju nefizičko ponašanje“, kažu istraživači.

Za razliku od konvencionalnih pristupa, novi model koristi fizičke principe stvarnog sveta da bi sprečio spajanje ili razilaženje atoma kad molekul uđe u visokoenergetska stanja. Ovo omogućava pouzdane simulacije čak i daleko od sobne temperature.

Demonstrirana je robusnost modela sa 50 nezavisnih simulacija, sa svakom u trajanju od 10 nanosekundi, ukupno 0,5 mikrosekundi stabilne dinamike, što je tačka koju retko postižu polja sile mašinskog učenja. Čak su i veoma fleksibilni molekuli kao što su aspirin, serin i glicin ostali stabilni.

Model je takođe bio u stanju da popravi deformisane strukture i precizno reprodukuje poznate konformacije, kao u slučaju alanin-dipeptida, ključnog referentnog molekula u kompjuterskoj hemiji.

Otkrili smo da jednostavna promena jedne matematičke funkcije potpuno transformiše ponašanje modela, kažu istraživači. Uz pravi izbor, model dosledno sprečava molekularne katastrofe i postaje izuzetno robustan.

Pored stabilnosti, model je kompjutaciono efikasan na standardnom hardveru centralne procesorske jedinice pri brzinama uporedivim ili bržim od vodećih potencijala na bazi nervnih mreža koji zahtevaju vrhunske grafičke procesore.

Istraživanje otvara nove mogućnosti za simulacije u ekstremnim okruženjima, kondenzovanoj materiji i biomolekularnim sistemima gde je dugoročna preciznost od suštinskog značaja. Sad se radi na proširenju pristupa na efekte elektronske korelacije i razvoj prenosivijih deskriptora.

(Telegraf Nauka/EurekAlert)