新闻

bt356官网

菜单

超级计算机为新机器学习方法铺平了道路

圣地亚哥超级计算机中心和洛斯阿拉莫斯国家实验室援助转移学习

新的深度学习模型预测有机分子中原子之间的相互作用。这些模型是在圣地亚哥超级计算机中心和洛斯阿拉莫斯国家实验室使用超级计算机生成的,它们帮助计算生物学家和药物开发研究人员更好地理解和治疗疾病。洛斯阿拉莫斯国家实验室

根据a 发布 本月早些时候由洛斯阿拉莫斯国家实验室(lanl)发布的研究人员开发了一种称为转移学习的机器学习方法,通过学习收集的数百万种其他化合物的数据,他们可以模拟新材料。新方法可以在几毫秒内应用于新分子,从而可以在更长的时间尺度内研究更多的化合物。

新技术,叫做 ani-1ccx的潜力,有望在未来的金属合金和爆炸物理研究中提高研究人员在许多领域的能力,并提高机器学习潜力的准确性。

“我们的量子力学计算创造了ani-1ccx潜力,这是两年多的时间 彗星 圣地亚哥超级计算机中心和超级计算机 兰贝尔的超级计算机,“纸质作者,教堂山北卡罗来纳大学的药学教授olex和r isayev说。 “我们选择这两台超级计算机来训练我们的神经网络,因为很少有机器可以运行这些 - 由于高内存和核心要求。”

来自佛罗里达大学和兰尔大学的isayev及其同事最近在一篇文章中发表了他们的研究 自然通讯 纸叫 通过转移学习将通过耦合的簇精度与通用神经网络潜力接近。论文详细介绍了量子力学 在经典计算机上使用的(qm)算法可以准确地描述化合物在其操作环境中的机械运动。

然而,随着分子大小的不同,qm的分布非常差,严重限制了可能的模拟范围。即使模拟中分子大小略微增加也会显着增加计算负担。因此,从业者经常使用经验信息,这些信息描述了原子在经典物理学和牛顿定律方面的运动,使模拟能够扩展到数十亿原子或数百万种化合物。

传统上,类似的模型不得不在准确性和可转移性之间进行权衡。当对一种化合物精细调节许多电位参数时,其他化合物的准确度会降低。

“这意味着我们现在可以比传统的量子方法更快地模拟材料和分子动力学数十亿倍,同时保持相同的准确度,”实验室理论部门的lanl物理学家和都市研究员Justin smith解释说。了解分子如何移动对于挖掘药物开发,蛋白质模拟和反应性化学的潜在价值至关重要,量子力学和实验(经验)方法都可以用于模拟。

研究人员承认美国的支持。能源部(doe)和国家科学基金会(nsf)授予che-1802789和che-1802831。作者还承认极端科学和工程发现环境(xsede)奖项dmr110088,由nsf grant aci-1053575支持。这项研究部分是利用开放科学网格提供的资源完成的,该网格由nsf奖项1148698和美国证券交易所提供支持。 doe科学办公室。


媒体联系

金伯利曼恩布鲁赫, 858-822-3622, 。(必须启用javascript才能查看此电子邮件地址)

uc san diego's 工作室十300 提供广播和电视连接,以便与我们的教师进行媒体采访。有关详情,请发送电子邮件 。(必须启用javascript才能查看此电子邮件地址).