Las superficies de energía potencial (PES) representan la relación entre las posiciones de los átomos o moléculas y su energía potencial asociada. Los PES son esenciales para comprender el comportamiento molecular, las reacciones químicas y las propiedades de los materiales. Describen cómo cambia la energía potencial de un sistema a medida que varían las posiciones de sus átomos o moléculas constituyentes. Estas superficies suelen ser complejas y de altas dimensiones, lo que dificulta su cálculo preciso, especialmente para moléculas o sistemas grandes.
La confiabilidad del modelo ML de aprendizaje automático todavía depende en gran medida de la diversidad de los datos de entrenamiento, especialmente para los sistemas químicamente reactivos que deben visitar estados de alta energía cuando se someten a transformaciones químicas. Los modelos de ML, por su naturaleza, interpolan entre datos de entrenamiento conocidos. Aún así, su capacidad de extrapolación es limitada ya que las predicciones pueden ser poco confiables cuando las moléculas o sus configuraciones son diferentes a las del conjunto de entrenamiento.
Formular un conjunto de datos equilibrado y diverso para un sistema reactivo determinado es un desafío. Es común que el modelo ML aún sufra un problema de sobreajuste que puede conducir a modelos con buena precisión en su conjunto de prueba original, pero que son propensos a errores cuando se aplican a simulaciones MD, especialmente para la reactividad química en fase gaseosa en la que las configuraciones de energía son altamente diverso.
Investigadores de la Universidad de California, el Laboratorio Nacional Lawrence Berkeley y la Universidad Penn State han creado un flujo de trabajo de AL de aprendizaje activo que amplía el conjunto de datos de combustión de hidrógeno formulado originalmente mediante la preparación de variables colectivas (CV) para la primera muestra sistemática. Su trabajo refleja que es necesaria una estrategia de adquisición de datos de diseño negativos para crear un modelo ML más completo del PES.
Siguiendo esta estrategia de aprendizaje activo, pudieron lograr un modelo final de ML de combustión de hidrógeno que es más diverso y equilibrado. Los modelos ML recuperan fuerzas precisas para continuar la trayectoria sin necesidad de volver a entrenar. Podrían predecir el cambio en el estado de transición y el mecanismo de reacción a temperatura y presión finitas para la combustión de hidrógeno.
El equipo ha ilustrado el enfoque de aprendizaje activo en Rxn18 como un ejemplo en el que la superficie de energía potencial se proyecta sobre dos coordenadas de reacción, CN(O2-O5) y CN(O5-H4). Se realizó un seguimiento del rendimiento del modelo ML mediante el análisis de los puntos de datos originales derivados de los cálculos de AIMD y de los modos normales. Utilizaron simulaciones metadinámicas más largas para el muestreo a medida que avanzaban las rondas de aprendizaje activo y disminuían los errores.
Descubrieron que la metadinámica es una herramienta de muestreo eficiente para estructuras inestables, que ayuda al flujo de trabajo de AL a identificar agujeros en el panorama de PES para informar el modelo de ML mediante el reentrenamiento con dichos datos. Utilizando la metadinámica sólo como herramienta de muestreo, el complicado paso de selección de CV se puede evitar comenzando con CV razonables o intuitivos. Su trabajo futuro también incluye analizar enfoques alternativos como el aprendizaje delta y trabajar en modelos más físicos como C-GeM.
Revisar la Papel. Todo el crédito por esta investigación va a los investigadores de este proyecto. Además, no olvides unirte. nuestro SubReddit de 33k+ ML, 41k+ comunidad de Facebook, Canal de discordia, y Boletín electrónicodonde compartimos las últimas noticias sobre investigaciones de IA, interesantes proyectos de IA y más.
Si te gusta nuestro trabajo, te encantará nuestra newsletter.
Arshad es pasante en MarktechPost. Actualmente cursa su carrera internacional. Maestría en Física del Instituto Indio de Tecnología Kharagpur. Comprender las cosas hasta el nivel fundamental conduce a nuevos descubrimientos que conducen al avance de la tecnología. Le apasiona comprender la naturaleza fundamentalmente con la ayuda de herramientas como modelos matemáticos, modelos de aprendizaje automático e inteligencia artificial.