شبکه‌های عصبی برای شبیه سازی بازیگران حرکت مولکولی

مفهوم شبکه عصبی مغز (تصویر آرشیوی).
اعتبار: © koya979 / Adobe Stock
 

کاری جدید از آزمایشگاه ملی لوس آلاموس، دانشگاه کارولینای شمالی در چپل هیل، و دانشگاه فلوریدا در حال نشان دادن این است که شبکه های عصبی مصنوعی می توانند برای رمزی کردن قوانین مکانیک کوانتومی برای توصیف حرکات مولکول ها تربیت شوند، و شبیه سازی ها را به طور بالقوه در طیف وسیعی از زمینه ها، سوپر شارژ کنند.
 
جاستین اسمیت، فیزیکدان لس آلاموس و همکار متروپولیس در بخش نظری آزمایشگاه، گفت: "این بدان معنی است که ما اکنون می توانیم دینامیک ماده ای و مولکولی را در مقایسه با روش های سنتی کوانتومی میلیاردها بار سریع تر مدل سازی کنیم، در حالی که همان سطح دقت را حفظ می کنیم." درک این که مولکول ها چگونه حرکت می کنند، برای بهره برداری از ارزش بالقوه آنها برای مثلاً توسعه دارو، شبیه سازی های پروتئین و شیمی واکنشی حیاتی است، و هر دو مکانیک کوانتومی و روش های آزمایشی (تجربی) به شبیه سازی ها خورانده می شوند.
 
تکنیک جدید، که پتانسیل ANI-1ccx نامیده می شود، نوید این را می دهد که قابلیت های محققان را در بسیاری از زمینه ها ارتقا دهد و دقت پتانسیل های مبتنی بر یادگیری ماشین را در مطالعات آینده آلیاژهای فلزی و فیزیک انفجاری بهبود بخشد.
 
الگوریتم های مکانیک کوانتومی (QM)، که در رایانه های کلاسیک مورد استفاده قرار می گیرند، می توانند به دقت حرکت های مکانیکی یک ترکیب را در محیط عملیاتی آن توصیف کنند. اما مکانیک کوانتومی به نحوی بسیار ناچیز با اندازه های متنوع مولکولی مقیاس می شود و به شدت حوزه شبیه سازی های ممکن را محدود می کند. حتی یک افزایش جزئی در اندازه مولکولی در یک شبیه سازی می تواند به طور چشمگیری بار محاسباتی را افزایش دهد. بنابراین عمل گرایان اغلب به استفاده از اطلاعات تجربی متشبث می شوند، که حرکت اتمها را برحسب فیزیک کلاسیک و قوانین نیوتن توصیف می کند، و شبیه سازی هایی را مقدور می سازد که با میلیاردها اتم یا میلیون ها ترکیب شیمیایی مقیاس می شوند.
 
به طور سنتی، پتانسیل های تجربی مجبور به داشتن ضربه‌ی سبک و سنگین کردنی بین دقت و انتقال پذیری بوده اند. هنگامی که پارامترهای بسیاری از پتانسیل به نحوی ظریف برای یک ترکیب تنظیم می شوند، دقت در ترکیبات دیگر کاهش می یابد.
 
در عوض، تیم لوس آلاموس با دانشگاه کارولینای شمالی در چپل هیل و دانشگاه فلوریدا، یک روش یادگیری ماشین را به نام یادگیری انتقال توسعه داده اند که به آنها اجازه می دهد تا با یادگیری از اطلاعات جمع آوری شده در مورد میلیون ها ترکیب دیگر، پتانسیل های تجربی را ایجاد کنند. رویکرد جدید با پتانسیل تجربی یادگیری ماشین می تواند در مولکول های جدید در میلی ثانیه اعمال شود، که امکان تحقیق در تعداد بسیار بیشتری از ترکیبات را در زمان های بسیار طولانی تر فراهم می کند.
 

شبکه های عصبی عمیقی برای تشخیص ناهنجاری میدان مغناطیسی برای هشدارهای سریع تر قبل از زلزله و سونامی طراحی شده است. محققان تکنیک های یادگیری ماشین را برای به دست آوردن سریع و دقیق برآوردهای میدان های ژئومغناطیسی محلی با استفاده از داده های گرفته شده در نقاط مشاهده مختلف به کار برده اند، که به طور بالقوه اجازه تشخیص تغییرات ناشی از زمین لرزه ها و سونامی ها را می دهد. ما اکنون می توانیم دینامیک ماده ای و مولکولی را در مقایسه با روش های سنتی کوانتومی میلیاردها بار سریع تر مدل سازی کنیم، در حالی که همان سطح دقت را حفظ می کنیم. یک مدل شبکه عصبی عمیق (DNN) با استفاده از داده های موجود توسعه و آموزش داده شد. نتیجه یک روش سریع و کارآمد برای ارزیابی میدان های مغناطیسی برای تشخیص زودرس بی سابقه بلایای طبیعی است. این برای ایجاد سیستم های هشدار دهنده موثر ضروری است که ممکن است به کاهش تلفات و آسیب گسترده کمک کند.
 
تخریب ناشی از زمین لرزه ها و سونامی ها، کمتر تردیدی باقی می گذارد که یک ابزار مؤثر برای پیش بینی وقوع آنها از اهمیتی اساسی برخوردار است. مطمئناً، سیستم هایی در حال حاضر برای هشدار به مردم درست قبل از ورود امواج لرزه ای وجود دارد؛ با این حال، اغلب موارد این گونه است که موج S (یا موج ثانویه)، یعنی قسمت بعدی زلزله، زمانی که هشدار داده می شود، وارد شده است. یک وسیله سریع تر و دقیق تر به شدت لازم دارد که به مقیمان محلی زمان یافتن پناهگاه و به حداقل رساندن تلفات را بدهد.
 
دانسته شده است که زمین لرزه ها و سونامی ها با تغییرات موضعی در میدان ژئومغناطیسی همراه هستند. برای زمین لرزه ها این عمدتا چیزی است که به عنوان یک اثر پیزو مغناطیسی شناخته می شود، در جایی که آزاد سازی مقدار عظیمی تنش انباشته در طول یک گسل موجب تغییرات محلی در میدان ژئومغناطیسی می شود؛ برای سونامی ها، این حرکت ناگهانی و وسیع دریاست که باعث تغییرات در فشار جو می شود. این به نوبه خود بر روی یونوسفر تاثیر می گذارد، و متعاقب آن میدان ژئومغناطیسی را تغییر می دهد. هر دو می توانند توسط شبکه ای از نقاط مشاهده در مکان های مختلف آشکار شوند. مزیت عمده چنین رویکردی سرعت است؛ با یادآوری این که امواج الکترومغناطیسی با سرعت نور حرکت می کنند، ما می توانیم به طور آنی وقوع یک رویداد را با مشاهده تغییرات در میدان ژئومغناطیسی آشکار کنیم.
 
با این حال، چگونه می توانیم بگوییم آیا میدان آشکار شده غیرعادی است یا نه؟ میدان مغناطیسی در نقاط مختلف یک سیگنال نوسانی است؛ کل روش بر اساس دانستن این که میدان "نرمال" در یک مکان چیست، پیش بینی می شود. از همین رو بود که یوتا کاتوری و پروفسور وابسته، کان اوکوبو، از دانشگاه متروپولیتن توکیو برای توسعه یک روش برای اندازه گیری در مکان های مختلف در سراسر ژاپن و ایجاد برآورد از میدان ژئومغناطیسی در نقاط مختلف مشاهده ویژه عازم شدند.
 
منبع: DOE / آزمایشگاه ملی لوس آلاموس، و دانشگاه متروپولیتن توکیو