p Aprendizado de máquina, um método de análise de dados usado para automatizar a construção do modelo analítico, remodelou a forma como os cientistas e engenheiros conduzem pesquisas. Um ramo da inteligência artificial (IA) e ciência da computação, o método se baseia em um grande número de algoritmos e amplos conjuntos de dados para identificar padrões e tomar importantes decisões de pesquisa. p Aplicações de técnicas de aprendizado de máquina estão surgindo na área de catálise de superfície, permitindo simulações mais extensas de nanopartículas, estudos de segregação, otimização da estrutura, aprendizagem on-the-fly de campos de força, e triagem de alto rendimento. Contudo, trabalhar com grandes quantidades de dados muitas vezes pode ser uma tarefa longa e dispendiosa do ponto de vista computacional.

p Otimização de geometria, muitas vezes, a etapa de limitação de taxa em simulações moleculares, é uma parte fundamental dos materiais computacionais e da ciência de superfície. Ele permite que os pesquisadores encontrem estruturas atômicas do estado fundamental e vias de reação, propriedades usadas para estimar as propriedades cinéticas e termodinâmicas de estruturas moleculares e cristalinas. Embora vital, o processo pode ser relativamente lento, exigindo um grande número de cálculos para ser concluído.

p Na Carnegie Mellon University, John Kitchin está trabalhando para acelerar esse processo, fornecendo um método de aprendizado ativo baseado em rede neural que acelera a otimização geométrica para várias configurações simultaneamente. O novo modelo reduz o número de cálculos da teoria funcional da densidade (DFT) ou da teoria do meio efetivo (EMT) em 50 a 90 por cento, permitindo que os pesquisadores façam o mesmo trabalho em menos tempo ou mais trabalhos na mesma quantidade de tempo.

p "Normalmente, quando fazemos a otimização da geometria, começamos do zero, "disse Kitchin." Os cálculos raramente se beneficiam de algo que sabíamos no passado. "

p "Ao adicionar um modelo substituto ao processo, nós o habilitamos para contar com cálculos anteriores, em vez de começar do zero a cada vez. "

p O estudo ilustra a aceleração em vários estudos de caso, incluindo superfícies com adsorbatos, superfícies de metal descobertas, e elástico cutucado para duas reações. Em cada caso, o pacote Python otimizador do Atomic Simulation Environment (ASE) permitia menos cálculos DFT do que o método padrão.

p O pacote Python otimizador de ASE foi disponibilizado para colegas engenheiros e cientistas para tornar mais fácil o uso de aprendizagem ativa de conjunto de redes neurais para otimização de geometria.