在粒子为球形的情况下，模拟粒子相对简单。然而，现实中大多数粒子并非完美的球体，而是形状和大小各异的不规则体。这使得对这些粒子的模拟变得更加复杂且耗时。
理解粒子的行为对于科学研究至关重要。例如，微塑料作为一种新型污染物，因塑料废物的急剧增加而在环境中无序降解，且通过机械或紫外线手段难以控制。这些微小的粒子几乎遍布全球。为了应对这一环境危机，深入了解这些颗粒及其行为显得尤为重要。
为了解决这一难题，伊利诺伊大学厄巴纳-香槟分校的研究团队训练了神经网络，以预测不规则形状粒子之间的相互作用，从而加速分子动力学模拟。与传统模拟方法相比，这种新方法的模拟速度提高了23倍，并且适用于任何不规则形状，只要有足够的训练数据。
“微塑料如今在环境中无处不在，大多数并不是球形，它们形状不一，具有角落和边缘。要解决它们在环境中的行为问题，我们需要开发新的方法，以更快、更便宜和更有效的方式进行模拟，”材料科学与工程教授安东尼娅·斯塔特(Antonia Statt)表示。
球体的模拟相对简单，因为确定两个粒子相互作用所需的唯一参数是它们中心之间的距离。而当形状变得复杂，如立方体或圆柱体时，不仅需要知道两个粒子之间的距离，还需了解每个粒子的角度和相对位置。例如，传统的立方体模拟方法通常是用多个小球体来构建立方体。
斯塔特解释道：“用小球体拼接立方体是一种非常间接的方式来描述立方体。这种方法也很昂贵，因为需要计算所有小球体之间的相互作用。为了避免这个问题，我们采用了机器学习——一种前馈神经网络——这是一种奇特的说法，‘让我们拟合一个我们不知道的复杂函数。’神经网络在这方面表现出色，只要提供足够的数据，它们就能适应任何需求。”
通过这种方法，不再需要单独计算小球体之间的所有距离。只需关注立方体中心之间的距离及其相对方向，这使得模拟过程更加简便和迅速。此外，该方法的准确性与传统方法相当。由于它是基于传统方法生成的数据进行训练的，因此虽然不能更精确，但在效率上有显著提升。
展望未来，Statt希望能够模拟更复杂的不规则形状以及不同形状的混合体，例如一个立方体和一个圆柱体，而不是仅限于两个立方体。她表示：“我们必须理解所有个体之间的相互作用，但这种方法足够通用，我们将能够实现这一目标。”
这项名为“由神经网络预测的相互作用加速的各向异性粒子的分子动力学模拟”的研究，最近发表在《化学物理杂志》上，并入选2024年JCP新兴研究者特别选集，同时也出现在本期JCP的封面上。
Antonia Statt还担任伊利诺伊州材料研究实验室、化学与生物分子工程系以及贝克曼高级科学与技术研究所的附属机构。
该研究的其他贡献者包括B. ruen argn（伊利诺伊机械工程系）和Yu Fu（伊利诺伊物理系）。
这项研究得到了分子制造实验室研究所（MMLI）的资助，该所是一个由美国国家科学基金会支持的人工智能研究所项目。
本文来自作者[svs]投稿，不代表立场，如若转载，请注明出处：http://cathieandrew.com/post/8452.html
评论列表（4条）
我是的签约作者“svs”！
希望本篇文章《Machine Learning Speeds Up Irregular Particle Simulations》能对你有所帮助！
本站[]内容主要涵盖：国足,欧洲杯,世界杯,篮球,欧冠,亚冠,英超,足球,综合体育
本文概览： 在粒子为球形的情况下，模拟粒子相对简单。然而，现实中大多数粒子并非完美的球体，而是形状和大小各异的不规则体。这使得对这些粒子的模拟变得更加复杂且耗时。...