Kecekapan pengiraan telah meningkat lebih daripada 100 kali ganda, dan telah diserahkan kepada pasukan Li Jinjin untuk membangunkan model besar berdasarkan Transformer untuk pengiraan dinamik molekul ab initio.

Pengarang |. Tao Kehao

Editor |.

Walau bagaimanapun, simulasi dinamik molekul ab initio tradisional (AIMD) secara semula jadi menyediakan keupayaan ramalan ketepatan tinggi, tetapi disebabkan kos pengiraan yang tinggi dan masa simulasi yang panjang, ia sangat mengehadkan kemajuan penyelidikan.

Sebagai contoh, ia biasanya mengambil masa beberapa bulan untuk membina simulasi 30 picosaat bagi sistem bahan yang mengandungi 100 atom, yang menimbulkan cabaran besar kepada pembangunan bahan baharu yang memerlukan lelaran dan pengoptimuman pantas.

Dalam konteks ini, model kecerdasan buatan yang boleh mempercepatkan proses ini dengan ketara adalah bernilai tinggi.

Menghadapi cabaran ini, Makmal Kecerdasan Buatan dan Mikrostruktur Universiti Shanghai Jiao Tong (AIMS-lab) membangunkan model kecerdasan buatan revolusioner yang dipanggil T-AIMD.

Model ini menggunakan seni bina rangkaian berasaskan Transformer, yang bukan sahaja dapat mengurangkan kos pengiraan dengan berkesan, tetapi juga dengan cepat dan tepat meramalkan kelakuan mana-mana ion dalam mana-mana struktur kristal.

Dengan cara ini, model T-AIMD mempercepatkan simulasi AIMD tradisional lebih daripada 100 kali ganda, dengan ketara mempercepatkan proses penilaian prestasi bahan.

Selain itu, model itu berjaya membina pangkalan data besar konduktor ion bercampur dan mengesahkan ketepatan ramalannya dalam berbilang eksperimen bateri.

Kaedah ini mempunyai potensi aplikasi yang luas bukan sahaja dalam bidang pemodelan dinamik molekul (MD), sasaran pengikat molekul biofarmaseutikal, lipatan protein, proses termodinamik bahan dan pengiraan sifat mekanikal.

Juga menyediakan metodologi baharu untuk menggunakan model kecerdasan buatan generatif untuk menyelesaikan masalah yang kompleks dalam pelbagai bidang saintifik yang lebih luas.

Penggunaan T-AIMD yang berjaya menunjukkan potensi besar teknologi kecerdasan buatan dalam mempromosikan penyelidikan saintifik dan inovasi teknologi, membuka laluan baharu untuk penyelidikan dan pembangunan bahan baharu pada masa hadapan dan pembangunan reka bentuk biologi.

Penyelidikan itu bertajuk "

Transformer enables ion transport behavior evolution and conductivity regulation for solid electrolyte

" dan diterbitkan dalam jurnal terkenal antarabangsa "Energy Storage Materials" pada 11 Jun 2024. Pengarang pertama kertas kerja ialah Tao Kehao, pelajar kedoktoran dalam Makmal Kecerdasan Buatan dan Mikrostruktur Universiti Jiao Tong Shanghai, dan pengarang yang sepadan ialah Profesor Li Jinjin, pengarah makmal.

Pautan artikel:

https://www.sciencedirect.com/science/article/pii/S2405829724003829

Dalam bidang kecerdasan buatan, model Transformer telah menjadi Rangka kerja pilihan yang kompleks .

Model ini amat baik dalam mempelajari corak dan perkaitan mendalam daripada data berskala besar, jadi ia telah digunakan secara meluas dalam pemprosesan bahasa, pengecaman imej dan pelbagai tugas ramalan.

Namun begitu, potensi Transformer masih belum dieksploitasi sepenuhnya dalam aplikasi dalam sains bahan, terutamanya dalam simulasi ab initio molecular dynamics (AIMD).

Simulasi AIMD tradisional sangat penting dalam sains bahan, kerana ia boleh mensimulasikan tingkah laku dinamik atom dan molekul dengan tepat. Walau bagaimanapun, simulasi sedemikian sering bergantung pada pengiraan berulang dan eksperimen mahal, yang bukan sahaja memakan masa tetapi juga mahal.

Menghadapi cabaran sebegitu, model pintar yang boleh mengekstrak dan memproses sejumlah besar data jujukan dengan cepat adalah amat penting.

Sebagai tindak balas kepada permintaan ini, model T-AIMD yang dibangunkan oleh pasukan makmal AIMS Universiti Jiao Tong Shanghai menggunakan seni bina rangkaian Transformer untuk meningkatkan kelajuan dan ketepatan simulasi AIMD dengan ketara.

Model baharu ini boleh menganalisis dan meramalkan kelakuan atom dan molekul dengan cepat dan tepat di bawah pelbagai keadaan sambil mengurangkan kos pengiraan.

Berbanding dengan kaedah AIMD tradisional, T-AIMD boleh meningkatkan kelajuan simulasi lebih daripada 100 kali ganda, sambil mengekalkan ketepatan ramalan yang tinggi dan memendekkan kitaran pembangunan bahan.

Ini bukan sahaja menyediakan alat baharu untuk penyelidikan dalam bidang sains bahan, tetapi juga menunjukkan potensi aplikasi AI dalam tugas pengkomputeran berprestasi tinggi, membuka kemungkinan baharu untuk penerokaan saintifik masa hadapan.

Ilustrasi: Keputusan ramalan T-AIMD dan rajah aliran kerja. (Sumber: kertas)

Ambil penyelesaian masalah meramal kelakuan pengangkutan ion dalam elektrolit pepejal sebagai contoh. Dengan mempelajari jujukan resapan ion dalam elektrolit, model ini dapat meramalkan kelakuannya dalam keadaan masa hadapan, dengan sangat mempercepatkan proses menilai sifat bahan.

Selain itu, model T-AIMD juga menggabungkan deskriptor bahan berbilang sumber, yang meningkatkan keupayaan aplikasinya dalam memproses sistem bahan kompleks, membolehkannya bukan sahaja meramalkan tingkah laku spesies ion tunggal, tetapi juga mengendalikan interaksi dalam berbilang ion. sistem Tindakan dan masalah dinamik kompleks.

Kaedah berasaskan Transformer baharu ini menyediakan perspektif dan alat baharu untuk pembangunan elektrolit pepejal, dan dijangka membuka prospek penyelidikan dan aplikasi baharu dalam bidang sains bahan.

Mengenai cara T-AIMD berfungsi

Ilustrasi: Gambar rajah seni bina rangkaian T-AIMD. (Sumber: Kertas)

T-AIMD (Transformer-based Ab Initio Molecular Dynamics) ialah model yang menggabungkan simulasi ab initio molekular (AIMD) dan seni bina pembelajaran mendalam Transformer, bertujuan untuk meningkatkan pengangkutan ion dalam bahan elektrolit pepejal dan ketepatan ramalan ciri-ciri operasi. Prinsip kerja model ini boleh dibahagikan kepada langkah utama berikut:

1. Penyediaan dan prapemprosesan data

T-AIMD mula-mula mengumpul data penyebaran ion bahan, yang datang daripada simulasi AIMD tradisional. Data yang dijana oleh simulasi ini termasuk data siri masa yang merekodkan pergerakan ion melalui elektrolit. Data jujukan ini dipraproses dan ditukar kepada format yang sesuai sebagai input kepada model pembelajaran mesin.

2. Pengekstrakan ciri

Menggunakan bahagian pengekod model Transformer, T-AIMD boleh mengekstrak ciri utama daripada data jujukan. Dalam proses ini, model menangkap kebergantungan jarak jauh dalam urutan melalui mekanisme perhatian kendiri, yang penting untuk memahami dinamik ion kompleks.

3. Pembelajaran jujukan dan ramalan

Selepas pengekstrakan ciri, bahagian penyahkod model Transformer digunakan untuk melakukan ramalan jujukan berdasarkan ciri yang dikodkan. Dalam langkah ini, model bukan sahaja boleh meramalkan kelakuan ion masa depan, tetapi juga menganalisis kelakuan potensi ion di bawah keadaan yang berbeza, seperti suhu dan tekanan yang berbeza. Di samping itu, model boleh meramalkan penunjuk prestasi utama seperti kekonduksian ionik bahan melalui ciri yang dipelajari ini.

4 Penyepaduan deskriptor bahan berbilang sumber

T-AIMD menggabungkan deskriptor bahan daripada sumber yang berbeza, seperti struktur kristal, spesies ion dan sifat elektronik, dsb., yang membantu model memahami dan meramalkan dengan lebih komprehensif Bahan. hartanah. Pendekatan bersepadu ini meningkatkan kepelbagaian model dan kebolehsuaian dalam sistem bahan yang berbeza.

5. Pengesahan dan aplikasi model

Model yang dibangunkan perlu disahkan untuk ketepatan ramalannya dengan perbandingan dengan data eksperimen dan kaedah pengiraan lain. Selepas pengesahan yang berjaya, T-AIMD boleh digunakan untuk menyaring dan mengoptimumkan bahan sasaran baharu dengan cepat, memendekkan kitaran pembangunan dan mengurangkan kos.

Mengenai prestasi mantap T-AIMD

Prestasi teguh model T-AIMD terutamanya ditunjukkan dalam aspek berikut:

1. yang sangat dipertingkatkan Keupayaannya untuk belajar dan meramalkan tingkah laku dinamik yang kompleks. Dari segi pecutan simulasi AIMD, T-AIMD menunjukkan ketepatan yang lebih tinggi daripada kaedah tradisional. Ini disebabkan oleh aplikasi teknologi pembelajaran mendalam, yang membolehkan model meramalkan tingkah laku ion dengan tepat pada skala masa yang lebih lama dalam masa yang lebih singkat.

2. Kecekapan pengiraan

Dari segi kecekapan pengiraan, T-AIMD jauh lebih baik daripada kaedah AIMD tradisional. Simulasi AIMD tradisional mengambil banyak masa untuk mensimulasikan resapan ion, tetapi T-AIMD mengurangkan dengan ketara pergantungan pada sumber pengkomputeran berprestasi tinggi dengan mengoptimumkan proses pengiraan, memendekkan masa simulasi daripada bulan kepada hari atau jam.

3. Fleksibiliti dan fleksibiliti

T-AIMD boleh mengendalikan struktur data yang lebih kompleks dan set data yang lebih besar daripada model pembelajaran mesin tradisional (seperti mesin vektor sokongan atau pepohon keputusan). Model ini dapat menyesuaikan diri dengan pelbagai jenis bahan dan meramalkan tingkah laku secara berkesan dalam keadaan persekitaran yang berbeza, seperti perubahan suhu dan tekanan.

4. Keteguhan Model

T-AIMD menunjukkan keteguhan yang tinggi apabila berurusan dengan data dengan bunyi dan ketidakpastian. Dalam eksperimen perbandingan, T-AIMD boleh mengekalkan tahap ketepatan ramalan yang tinggi walaupun apabila datanya agak berat sebelah, yang sukar dicapai oleh model pembelajaran mesin mudah yang lain.

5. Kebolehskalaan dan kebolehsuaian

Seni bina model T-AIMD membolehkan pelarasan dan pengoptimuman yang fleksibel untuk menyesuaikan diri dengan perubahan keperluan penyelidikan dan penemuan saintifik baharu. Kebolehskalaan ini membolehkan T-AIMD terus memainkan peranan penting dalam penyelidikan masa depan, dengan aplikasi melangkaui elektrolit keadaan pepejal yang meluas kepada kajian bahan tenaga lain dan sistem kimia kompleks.

Ilustrasi: Perbandingan hasil model dan T-AIMD dalam keadaan berbeza. (Sumber: kertas)

Ringkasnya, berdasarkan rangka kerja T-AIMD, kecekapan simulasi dinamik molekul boleh dipercepatkan dengan banyak, meningkatkan kecekapan sebanyak 1000 kali, 10000 kali, atau lebih, menjimatkan banyak masa untuk pembuatan bahan dan reka bentuk biologi.

Model T-AIMD mengatasi simulasi AIMD tradisional dan kaedah pembelajaran mesin lain dalam beberapa aspek utama, dan contoh yang diberikan dalam teks menunjukkan potensi dan prospek aplikasinya yang kukuh dalam penyelidikan dan pembangunan elektrolit keadaan pepejal.

Kepraktisan T-AIMD melampaui itu. Kuasa dan fleksibiliti model ini menjadikannya boleh digunakan secara meluas dalam banyak bidang sains bahan.

Pada masa hadapan, ia dijangka akan digunakan untuk meramalkan kelakuan ion dan molekul dalam jenis bahan lain seperti semikonduktor, logam dan bahan polimer.

Selain itu, keupayaan model T-AIMD tidak terhad kepada ramalan kelakuan spesies ion tunggal Ia juga boleh menangani masalah interaksi dan dinamik yang kompleks dalam sistem berbilang ion, yang menjadikannya berguna dalam mereka bentuk baharu bahan dan meningkatkan prestasi bahan sedia ada Ia mempunyai nilai praktikal yang sangat tinggi.

Atas ialah kandungan terperinci Kecekapan pengiraan telah meningkat lebih daripada 100 kali ganda, dan telah diserahkan kepada pasukan Li Jinjin untuk membangunkan model besar berdasarkan Transformer untuk pengiraan dinamik molekul ab initio.. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!