Investigadores del Centro de Nanociencia y de la Facultad de Tecnología de la Información de la Universidad de Jyväskylä en Finlandia han demostrado que los nuevos métodos de aprendizaje automático basados en la distancia, desarrollados en la Universidad de Jyväskylä, son capaces de predecir estructuras y dinámicas atómicas de nanopartículas de manera confiableLos nuevos métodos son significativamente más rápidos que los métodos de simulación tradicionales utilizados para la investigación de nanopartículas y facilitarán exploraciones más eficientes de las reacciones de partículas y la funcionalidad de las partículas en su entorno. El estudio fue publicado en un número especial dedicado al aprendizaje automático en The Revista de Química Física el 15 de mayo de 2020.
Los nuevos métodos se aplicaron a las nanopartículas metálicas estabilizadas con ligando, que se han estudiado durante mucho tiempo en el Centro de Nanociencia de la Universidad de Jyväskylä. El año pasado, los investigadores publicaron un método que puede predecir con éxito los sitios de unión de las moléculas de ligando estabilizadoren la superficie de las nanopartículas. Ahora, se creó una nueva herramienta que puede predecir de manera confiable la energía potencial basada en la estructura atómica de la partícula, sin la necesidad de utilizar cálculos de estructura electrónica numéricamente pesados. La herramienta facilita las simulaciones de Monte Carlo de la dinámica del átomo de lapartículas a temperaturas elevadas.
La energía potencial de un sistema es una cantidad fundamental en la nanociencia computacional, ya que permite evaluaciones cuantitativas de la estabilidad del sistema, las tasas de reacciones químicas y la fuerza de los enlaces interatómicos. Las nanopartículas metálicas estabilizadas con ligandos tienen muchos tipos de enlaces interatómicos de fuerza química variabley, tradicionalmente, las evaluaciones de energía se han realizado mediante el uso de la denominada teoría funcional de densidad DFT que a menudo resulta en cálculos numéricamente pesados que requieren el uso de supercomputadoras. Esto ha impedido simulaciones eficientes para comprender las funcionalidades de las nanopartículas, por ejemplo, como catalizadores,o interacciones con objetos biológicos como proteínas, virus o ADN. Los métodos de aprendizaje automático, una vez entrenados para modelar los sistemas de manera confiable, pueden acelerar las simulaciones en varios órdenes de magnitud.
El nuevo método permitió ejecutar simulaciones en una computadora portátil o de escritorio
En este trabajo, los investigadores utilizaron las energías potenciales, predichas por el método de aprendizaje automático, para simular la dinámica atómica de las nanopartículas de oro estabilizadas con tiol. Los resultados coincidieron con las simulaciones realizadas mediante el uso de la teoría funcional de la densidad.El método permitió que las simulaciones se ejecutaran en una computadora portátil o de escritorio en una escala de tiempo de unas pocas horas, mientras que las simulaciones DFT de referencia tomaron días en una supercomputadora y usaron simultáneamente cientos o incluso miles de núcleos de computadora. La aceleración permitirá simulaciones a largo plazode los cambios estructurales de las partículas y las reacciones de partículas a partículas a temperaturas elevadas.
Los investigadores utilizaron un método de aprendizaje automático basado en la distancia desarrollado en el grupo del profesor Tommi Kärkkäinen en Jyväskylä. Describe cada configuración atómica momentánea de una nanopartícula calculando un llamado descriptor y compara distancias entre descriptores en un multidimensionalespacio numérico. Mediante el uso de correlaciones con un conjunto de entrenamiento creado por las simulaciones DFT de referencia, se puede predecir la energía potencial. Este enfoque, utilizado ahora por primera vez en la investigación de nanopartículas, es más simple y más transparente que las redes neuronales tradicionalmente utilizadas.
"Es extremadamente motivador que podamos reducir la carga computacional de ejecutar simulaciones en supercomputadoras para ejecutarlas con una calidad similar en una computadora portátil o una PC doméstica", dice el estudiante de doctorado Antti Pihlajamäki, autor principal del estudio.
"Fue una gran sorpresa que nuestros métodos de aprendizaje automático relativamente simples funcionen tan bien para nanoestructuras complicadas", afirma el profesor Tommi Kärkkäinen.
"En la siguiente fase, nuestro objetivo es generalizar el método para que funcione bien para nanopartículas de diferentes tamaños y composiciones químicas. Todavía necesitaremos supercomputadoras para generar suficientes datos de alta calidad para entrenar el algoritmo de aprendizaje automático, pero esperamosque en el futuro podemos utilizar estos nuevos métodos principalmente para estudiar la funcionalidad de las nanopartículas en entornos químicos complicados ", resume el profesor de la Academia Hannu Häkkinen, quien coordinó el estudio.
Fuente de la historia :
Materiales proporcionado por Universidad de Jyväskylä - Jyväskylän yliopisto . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :