足球比赛结果和加州大学洛杉矶分校 (UCLA) 的研究人员 正在合作开发一个机器学习模型，旨在打破立方尺度 量子力学势垒。
Kohn-Sham 密度泛函理论 (KSDFT) 是确定 材料科学、物理和化学中的电子结构。它的获奖理由是 准确性。但对于寻求预测的研究人员来说，面临着成本扩展的挑战 大规模且复杂的分子系统的模拟。这些的 KSDFT 计算 系统需要太长的时间并且计算成本太高而不可行。
使用人工智能和机器学习算法、工程师和科学家 开发了一种新模型，可以准确且更有效地预测电子 结构。苏珊塔·戈什，机械与航空航天工程系助理教授， 说新模型有潜力扩大和改变科学能力 加速材料研究，为未来突破性发现开辟途径。
“我们的新模型不仅异常准确，而且还显着加快了计算速度 与传统的 KSDFT 相比，”Ghosh 说。 “结果是，即使是模拟 现在可以实现数百万原子系统。”
Ghosh 与当时的博士生 Shashank Pathrudkar 和 Ponkrshnan Thiagarajan 合作 与加州大学洛杉矶分校的 Shivang Agarwal 和 Amartya S. Banerjee 一起开发新的机器学习 足球比赛结果 Ghosh 团队和 Banerjee 团队进行的研究得出的模型 在加州大学洛杉矶分校。
结果，标题为“，”已发布于npj 计算材料.
“机器学习帮助突破了大规模第一原理计算的极限 显着，”该论文的主要作者、助理教授 Banerjee 说。 加州大学洛杉矶分校材料科学与工程系。
“几年前，当我还是一名博士后研究员时，我们使用了尖端的计算技术 该国一些最大的超级计算机上的技术来计算电子 包含数万个原子的体系统的结构，”班纳吉说。 “一个 典型的计算需要在数万个处理器上花费数小时甚至数天的时间。 现在，由于我们的工作，我们可以对数百万个原子进行类似的计算 单 GPU 仅需几个小时。从根本上来说，这些机器学习技术 似乎以一种完全不同的方式求解量子力学方程 从我们作为人类的传统做法来看。有趣的科学问题是计算 知道那是什么。”
在物理、化学和材料科学领域，第一性原理计算 直接从基本物理品质量化物理特性是基石 的计算方法。技术深入研究管理的基本规律 系统的属性和行为，源自量子力学的基础。 计算求解封装材料行为的方程，类似于 控制原子或分子内电子的复杂薛定谔方程。
在计算材料科学中，KSDFT 长期以来一直是预测的首选方法 材料特性和发现新材料。但它模拟材料的能力 具有大量原子的系统是有限的。对于某些应用，例如 对于复杂材料或数百万原子系统，使用常规 KSDFT 是不可行的。 研究人员发现自己正在努力解决昂贵、具有挑战性、有时甚至是不可能的问题 实验。
该技术变得更加昂贵，需要更多的计算时间和内存 随着材料样品中原子数量的增加，要求。这些限制 将常规 KSDFT 计算限制为仅几百个原子。
材料的电子结构是包含财富的基本量 戈什说，信息。 “它可以用来预测一系列重要的材料 属性。因此，这个新模型不限于任何特定的财产 感兴趣的；它可以首先预测电子结构，然后导出 任何物质财产，”他说。
Ghosh，足球比赛结果计算科学和机器学习实验室负责人， 担任 Thiagarajan 和 Pathrudkar 的教职顾问
Thiagarajan 目前是约翰·霍普金斯大学和 Pathrudkar 的博士后研究员 现在是 MathWorks 的高级工程师。
Pathrudkar 说他将精力集中在机器交叉点的研究上 在与戈什一起工作的六年期间，他学习、机械和材料科学。 “我在 Tech 期间研究的首要目标是利用机器学习 模型绕过计算成本高昂的材料研究方法，”Pathrudkar 说。 “人工智能在材料科学中的应用已经证明 在发现可以彻底改变关键的新材料方面具有巨大的潜力 能源利用、航空航天、电子和医疗设备等行业。”
足球比赛结果是一所 R1 公立研究型大学，成立于 1885 年，位于霍顿，拥有来自全球 60 多个国家的近 7,500 名学生。密歇根州旗舰科技大学的投资回报率一直名列全美最佳大学之列，提供超过 185 个本科和毕业生科学技术、工程、计算机、林业、商业、健康专业、人文、数学、社会科学和艺术领域的学位课程。乡村校园距离密歇根州上半岛的苏必利尔湖仅数英里，提供全年户外探险的机会。
