利用勞倫斯伯克利國家實驗室(BerkeleyLab)的國家能源研究科學計算中心(NERSC)的計算資源，阿貢國家實驗室的研究人員成功探索了重要的材料科學問題，并展示了使用機器學習解決困難搜索問題的進展。

通過采用AlphaGo等棋盤游戲的機器學習算法，研究人員為元素周期表中54種元素的納米團簇開發(fā)了力場，這是在理解其獨特屬性和搜索方法概念證明方面的巨大飛躍。該團隊在一月份在《自然通訊》上發(fā)表了其結果。

根據(jù)它們的規(guī)模——100多納米的體系統(tǒng)與小于100納米的納米團簇——材料可以顯示出截然不同的特性，包括光學和磁性特性、離散能級和增強的光致發(fā)光。這些特性可能有助于新的科學和工業(yè)應用，科學家們可以通過開發(fā)力場來了解它們——一種計算模型，用于估計每個元素或化合物的分子中原子之間和分子之間的勢能。但是材料科學家可以花費數(shù)年時間使用傳統(tǒng)的基于物理的方法來探索單個元素的納米團簇中原子之間的結構和力。

“我們想研究納米級動力學，為此，通常我們會使用一些量子微積分和密度泛函理論，但這些計算在計算上非常昂貴，”該論文的主要作者、材料科學家SukritiManna說。尋找和尋找潛在模型的參數(shù)的艱苦工作。

應用機器學習是降低成本的一種潛在方法。然而，可用的算法來自像游戲這樣的離散搜索空間，其中搜索分支的數(shù)量和可能的結果是有限的。在像化學元素納米團簇的力場這樣的連續(xù)作用空間中，可能的搜索分支的數(shù)量是無限的，而蠻力——運行每個場景以找到最佳結果的能力——根本不起作用。

更聰明地工作，而不是更努力地工作

為了使現(xiàn)有算法更智能，而不是更難，機器學習專家TroyLoeffler使用了一種強化學習稱為蒙特卡洛樹搜索(MCTS)。強化學習是機器學習的一種形式，它允許算法直接與其環(huán)境交互，通過懲罰和獎勵進行學習，目標是隨著時間的推移獲得最多的累積獎勵。MCTS使用“探索和利用”方法——最初隨機搜索，然后學習忽略效率較低的搜索路徑或播放，并專注于效率更高的搜索路徑。Loeffler還引入了一些新函數(shù)以提高算法效率：消除冗余搜索的唯一性函數(shù)、將樹深度與動作空間相關聯(lián)以提供有用的結構的窗口縮放方案，以及播放擴展，它教算法優(yōu)先考慮更接近已證明有效的隨機搜索。

“我們所做的很多工作實際上是為連續(xù)動作空間開發(fā)算法，在那里你沒有很好的離散棋盤游戲空間;你有可以在特定景觀的任何地方移動的參數(shù)，”Loeffler說。“核心思想是，你正在使用完全隨機性和一些確定性元素的組合，通過人工智能來解決這個問題。”

兩種表示形式顯示了該算法在預測元素周期表中54個元素的力場方面的有效性。學分：NERSC

這種組合奏效了，為54個元素產(chǎn)生了力場，而過去只需要找到一個元素的參數(shù)所需的時間的一小部分，并證明強化學習可以成為連續(xù)動作空間中的有用工具。

該團隊使用NERSC的Cori超級計算機執(zhí)行計算并生成訓練和擬合數(shù)據(jù)集，主要使用ViennaAbinitioSimulationPackage(VASP)軟件進行原子級材料建模和經(jīng)典分子動力學代碼LAMMPS。這個項目只是NERSC的眾多項目之一，來自Argonne的理論和建模團隊，他們經(jīng)常利用NERSC的計算能力、最少的隊列和可靠的維護。

“對于碳、硼和磷等元素，我們需要大量數(shù)據(jù)集，而且我們需要高質量的數(shù)據(jù)，對于這項特殊的工作，我使用NERSC生成大量龐大的數(shù)據(jù)集，因為它們的結構多樣性。Cori是一臺速度非?？斓挠嬎銠C，而且當我使用它時，排隊時間很短，所以我們很快就完成了這項工作，”Manna說。此外，他說，“如果我們有100%的工作量，那么對于計算時間，我們90%的工作量都依賴于NERSC。”

機器學習專家RohitBatra表示同意，他開發(fā)了一個機器學習框架來分析元素周期表中潛在函數(shù)的誤差趨勢。“我是Cori的忠實粉絲——我將它用于多個目的，”他說。“它維護得非常好。有時，在其他集群中，可能會出現(xiàn)導致它們離線一段時間的問題，但我認為NERSC維護得非常好并且非常可靠。”

MCTS的未來走向深遠和廣闊

既然已經(jīng)證明了MCTS在連續(xù)搜索空間中的使用，接下來會發(fā)生什么?從材料科學的角度來看，探索更復雜的材料還有更多工作要做。

“從應用的角度，從力場發(fā)展的角度來看，我們已經(jīng)探索了元素材料和一些二元合金，所以在不久的將來，我們將研究氧化物和亞硫酸鹽等組合，并開發(fā)這些力場，”Manna說.“由于強大的算法，我們所需要的只是時間和其他訓練數(shù)據(jù)集。”

但材料科學并不是被這項工作打破的唯一MCTS應用——下一階段的一部分涉及測試算法實用程序的廣度和邊界。

“我們正在采用MCTS并將其應用于許多不同的情況，”Loeffler說。“我們或我們的合作者有10或11個不同的項目有興趣使用該算法，”包括進一步的面向游戲的研究和額外的力場擬合。他補充說，到目前為止，這是一個取得成功的過程，它的未來看起來很光明。“我們正在尋找很多東西來嘗試它。但到目前為止，我們嘗試過的所有東西都非常有效。”

　　免責聲明：本文由用戶上傳，與本網(wǎng)站立場無關。財經(jīng)信息僅供讀者參考，并不構成投資建議。投資者據(jù)此操作，風險自擔。 如有侵權請聯(lián)系刪除！