Uma equipe de pesquisadores do MIPT, Skoltech, e Dukhov Research Institute of Automatics, liderado por Artem Oganov, usou uma técnica de aprendizado de máquina para modelar o comportamento do alumínio e do urânio nas fases líquida e cristalina em várias temperaturas e pressões. Essas simulações de sistemas químicos podem prever suas propriedades sob uma variedade de condições antes que os experimentos sejam realizados, permitindo mais trabalho apenas com os materiais mais promissores. Os resultados da pesquisa foram publicados na revista Relatórios Científicos .

Química da Computação

Os rápidos avanços da ciência nos últimos 100 anos resultaram na descoberta de um número surpreendente de compostos orgânicos e inorgânicos, proteínas e estruturas lipídicas, e reações químicas. Mas com todas essas novas estruturas e moléculas, uma quantidade cada vez maior de tempo é necessária para estudar sua composição, propriedades bioquímicas e físicas, e testar os modelos de seu comportamento sob várias condições e suas possíveis interações com outros compostos. Essa pesquisa agora pode ser acelerada usando modelagem de computador.

A abordagem do campo de força é atualmente a técnica de modelagem dominante. Ele faz uso de um conjunto de parâmetros que descrevem um determinado sistema bioquímico. Isso inclui comprimentos de ligação, ângulos e cargas, entre outros. Contudo, esta técnica é incapaz de reproduzir as forças da mecânica quântica em jogo nas moléculas com precisão. Cálculos mecânicos quânticos precisos são demorados. Adicionalmente, eles apenas permitem previsões do comportamento de amostras que têm, no máximo, várias centenas de átomos.

As abordagens de aprendizado de máquina para modelagem molecular são de grande interesse para os químicos. Eles permitem modelos que são treinados em conjuntos de dados relativamente pequenos obtidos por meio de cálculos da mecânica quântica. Esses modelos podem substituir os cálculos da mecânica quântica, porque eles são tão precisos e exigem cerca de 1, 000 vezes menos poder de computação.

Progresso feito por ferramentas de aprendizado de máquina que modelam interações entre átomos

Os pesquisadores usaram o aprendizado de máquina para modelar as interações entre os átomos de alumínio e urânio cristalino e líquido. O alumínio é um metal bem estudado, cujas propriedades físicas e químicas são conhecidas pelos cientistas. Urânio, por contraste, foi escolhido porque há dados publicados conflitantes sobre suas propriedades físicas e químicas, que os pesquisadores procuraram definir com mais precisão.

O artigo detalha seu estudo de propriedades materiais como a densidade de fônons de estados, entropia, e a temperatura de fusão do alumínio.

"As magnitudes das forças interatômicas nos cristais podem ser usadas para prever como os átomos do mesmo elemento se comportarão sob diferentes temperaturas e em diferentes fases, "diz Ivan Kruglov do Laboratório de Design de Materiais Computacionais do MIPT." Da mesma forma, você pode usar os dados sobre as propriedades de um líquido para descobrir como os átomos se comportarão em um cristal. Isso significa que, ao descobrir mais sobre a estrutura cristalina do urânio, podemos, eventualmente, reconstruir todo o diagrama de fase desse metal. Os diagramas de fase são gráficos que indicam as propriedades dos elementos em função da pressão e da temperatura. Eles são usados ​​para determinar os limites de aplicabilidade de um determinado elemento. "

Para se certificar de que os dados produzidos pelas simulações de computador são válidos, eles são comparados aos resultados experimentais. O método utilizado pelos pesquisadores estava de acordo com os experimentos anteriores. As informações obtidas com a abordagem baseada em aprendizado de máquina apresentaram menor taxa de erros, em comparação com as técnicas de modelagem usando campos de força.

Neste estudo, os autores aprimoram seus resultados de 2016 em termos de velocidade e precisão da modelagem do sistema atômico usando aprendizado de máquina.