Simulações de dinâmica molecular baseadas em aprendizado de máquina mostram como grãos de gelo se formam e coalescem em água super-resfriada, o que resulta em gelo com imperfeições. Essas simulações ajudam os cientistas a aprender sobre o movimento da fronteira entre os grãos de gelo (amarelo / verde / ciano) e a desordem de empilhamento que ocorre quando pedaços hexagonais (laranja) e cúbicos (azuis) de gelo congelam juntos. Essas informações são importantes em aplicações como modelagem climática e criogenia. Os pesquisadores realizaram essas simulações em Mira no Argonne Leadership Computing Facility and Carbon no Center for Nanoscale Materials; ALCF e CNM são ambas instalações do DOE Office of Science User. Crédito:Laboratório Nacional de Argonne
Embora a água seja considerada uma das substâncias mais simples do mundo, modelar seu comportamento no nível atômico ou molecular frustrou os cientistas por décadas. A data, nenhum modelo foi capaz de representar com precisão a abundância de características singulares da água, incluindo o fato de que é mais denso a uma temperatura ligeiramente superior ao seu ponto de fusão.
Um novo estudo do Laboratório Nacional de Argonne do Departamento de Energia dos EUA (DOE) conseguiu um avanço no esforço de representar matematicamente como a água se comporta. Para fazer isso, Os pesquisadores da Argonne usaram o aprendizado de máquina para desenvolver um novo modelo de água computacionalmente barato que representa com mais precisão as propriedades termodinâmicas da água, incluindo como a água se transforma em gelo em escala molecular.
No estudo, pesquisadores do Centro de Materiais em Nanoescala (CNM) da Argonne usaram um fluxo de trabalho de aprendizado de máquina para otimizar um novo modelo molecular de água. Eles treinaram seu modelo com dados experimentais extensos para gerar um modelo altamente preciso em escala molecular das propriedades da água. O CNM é um DOE Office of Science User Facility.
Otimizar os parâmetros do modelo para água tem sido um desafio, e mais de 50 modelos de água diferentes existem atualmente, de acordo com o nanocientista de Argonne Subramanian Sankaranarayanan, o autor correspondente do estudo.
"Estamos tentando entender como navegar no complexo espaço de parâmetros de qualquer modelo para capturar um amplo espectro de propriedades da água, o que é extremamente difícil, "Sankaranarayanan explicou." Não existe um modelo que possa explicar o ponto de derretimento da água, seu máximo de densidade e a densidade do gelo, Tudo ao mesmo tempo."
Tentar criar modelos de mecânica quântica ou atomística para capturar o comportamento da água confundiu os pesquisadores porque eles são muito intensivos em computação e ainda falham em reproduzir muitas propriedades da água que dependem da temperatura. De acordo com Henry Chan, Pesquisador de pós-doutorado de Argonne e autor principal do estudo, isso é ainda mais difícil de conseguir para modelos simples, como o usado neste estudo.
Para os pesquisadores, a escolha de usar moléculas inteiras de água como unidade fundamental do modelo permitiu que realizassem a simulação com baixo custo computacional.
"Embora tradicionalmente esses modelos simples introduzam uma série de aproximações e muitas vezes sofram de baixa precisão, o aprendizado de máquina nos permite criar um modelo muito mais preciso, mantendo a simplicidade, "disse o professor assistente da Universidade de Louisville, Badri Narayanan, um co-primeiro autor do estudo.
Contudo, mesmo com essa despesa computacional reduzida, algumas propriedades físicas podem ser difíceis de simular sem supercomputadores em grande escala. A equipe usou o supercomputador Mira no Argonne Leadership Computing Facility, um DOE Office of Science User Facility, realizar simulações de até 8 milhões de moléculas de água para estudar o crescimento e a formação de interfaces em gelo policristalino.
De acordo com o co-primeiro autor e cientista assistente da CNM Mathew Cherukara, este novo modelo, denominado "grão grosso, "atinge uma fidelidade equivalente aos modelos que incorporam uma descrição em nível atômico." Tradicionalmente, você pensaria que a introdução dessas aproximações normalmente resultaria em um modelo muito pior - um que é eficiente, mas não funciona muito bem, "disse ele." A beleza é que este modelo molecular não tem o direito de ser tão preciso quanto os modelos atomísticos, mas ainda assim acaba sendo. "
Para alcançar a alta precisão do modelo de granulação grossa, os pesquisadores treinaram o modelo usando informações extraídas de quase um bilhão de configurações em escala atômica envolvendo propriedades dependentes da temperatura que são bem conhecidas. "Essencialmente, dissemos ao nosso modelo, 'olhar, isso é o que são as propriedades, 'e pediu que nos fornecesse parâmetros que fossem capazes de reproduzi-los, "Chan disse.
O treinamento do modelo envolveu o que Chan chamou de "abordagem hierárquica, "em que cada modelo candidato foi submetido a uma série de testes ou avaliações, começando com propriedades essenciais básicas antes de avançar para outras mais complexas. "Você pode pensar nisso como tentar ensinar uma habilidade a uma criança, "Disse Chan." Você começa com algo fundamental e vai subindo assim que perceber o progresso. "
Os pesquisadores também mostraram que sua abordagem poderia ser usada para melhorar o desempenho de outros modelos atomísticos e moleculares existentes. "Conseguimos melhorar significativamente o desempenho dos modelos existentes de água de alta qualidade usando nossa abordagem hierárquica. Em princípio, devemos ser capazes de revisitar todos os modelos moleculares e ajudar cada um deles a atingir seu melhor desempenho, "Sankaranarayanan disse.
Um artigo baseado no estudo, "Modelos de granulação grossa de aprendizado de máquina para água, "apareceu na edição online de 22 de janeiro da Nature Communications . Outros autores de Argonne incluem Chris Benmore, Stephen Gray, e Troy Loeffler.
