欢乐颂第一季,盗墓笔记txt全集下载,小说排行榜完结版

首頁 - 關(guān)于我們 - 新聞活動 - 《自然》子刊發(fā)表實驗室最新成果：預訓練框架GPIP，AI驅(qū)動計算物質(zhì)科學研究新范式

《自然》子刊發(fā)表實驗室最新成果：預訓練框架GPIP，AI驅(qū)動計算物質(zhì)科學研究新范式

2024-4-12新聞

近日，上海人工智能實驗室（上海AI實驗室）推出首個針對機器學習勢函數(shù)模型的自監(jiān)督預訓練框架GPIP（Geometry-enhanced Pretraining on Interatomic Potentials），為AI驅(qū)動計算物質(zhì)科學研究提供了新范式。

研究人員將AI與基礎(chǔ)科學深度融合，提出了創(chuàng)新的自監(jiān)督學習策略，使機器學習勢函數(shù)的性能可靠度提升超過30%，同時，使用GPIP獲取數(shù)據(jù)的計算量僅為傳統(tǒng)方法的1%，大幅降低了研究成本。

由于能夠精準模擬物質(zhì)體系中分子的行為，勢函數(shù)模型已成為當前實現(xiàn)高性能分子模擬的關(guān)鍵，在材料設(shè)計、藥物研發(fā)等領(lǐng)域具備巨大應(yīng)用潛力。上海AI實驗室持續(xù)布局計算物質(zhì)科學等AI for Science相關(guān)研究，深入探索AI在物質(zhì)科學研究中的應(yīng)用。

該成果相關(guān)論文Geometry-enhanced Pretraining on Interatomic Potentials已發(fā)表于Nature旗下刊物Nature Machine Intelligence。

論文標題：

Geometry-enhanced Pretraining on Interatomic Potentials

論文鏈接：

https://www.nature.com/articles/s42256-024-00818-6

勢函數(shù)助力物質(zhì)科學研究

作為理論與實驗科學之間的紐帶，計算科學在自然科學研究中扮演著重要角色。分子動力學（Molecular Dynamics, MD）模擬通過模擬原子的運動，揭示了原子尺度上的微觀細節(jié)和動態(tài)過程，被廣泛應(yīng)用于材料設(shè)計、生物制藥、化學工程、環(huán)境科學及基礎(chǔ)理論研究等領(lǐng)域。近年來，隨著算法發(fā)展和算力提升，傳統(tǒng)的大規(guī)模“試錯”實驗已逐漸被“計算設(shè)計-實驗驗證”的方法所代替。當前，MD模擬描述原子間相互作用力主要基于兩種方法：通過求解復雜物理方程（如Density Functional Theory, DFT）得到原子受力信息，這種方法精度高但速度慢；通過擬合經(jīng)驗公式，即勢函數(shù)或力場的方法，雖計算速度快，但精度較差，往往無法提供有價值的結(jié)論。為此，學術(shù)界提出機器學習勢函數(shù)，結(jié)合了DFT的高精度和經(jīng)驗勢函數(shù)的高效率，可在保持計算精度的同時顯著提高計算效率。然而，高性能的機器學習勢函數(shù)往往依賴大量的帶標注原子結(jié)構(gòu)數(shù)據(jù)，當前存在數(shù)據(jù)稀缺、DFT計算資源消耗大等問題，限制了機器學習勢函數(shù)的應(yīng)用范圍。

結(jié)構(gòu)高效生成，數(shù)據(jù)準確可靠

針對上述挑戰(zhàn)，上海AI實驗室AI for Science團隊推出GPIP幾何增強預訓練框架，旨在解決原子結(jié)構(gòu)數(shù)據(jù)的獲取與利用問題。在GPIP框架中，經(jīng)驗勢函數(shù)通過MD模擬，能夠快速生成大量的目標體系原子結(jié)構(gòu)數(shù)據(jù)。研究團隊進一步設(shè)計了一套幾何增強的自監(jiān)督學習策略，通過掩碼、去噪和對比學習等方法，從原子結(jié)構(gòu)數(shù)據(jù)中提取出有用的三維幾何和拓撲信息，強化了模型的學習能力。通過MD及算法策略，使得原子結(jié)構(gòu)數(shù)據(jù)在高效生成的同時亦符合物理學約束條件。

通過GPIP生成的符合物理規(guī)律的有效水分子結(jié)構(gòu)數(shù)據(jù)（左）與不符合物理規(guī)律的無效水分子結(jié)構(gòu)數(shù)據(jù)（右）。右圖中，原子位置分布與鍵長鍵角等特征不合理。

性能提升超三成，算力需求下降百倍

為驗證GPIP在實際任務(wù)中的可靠性，研究人員使用多種勢函數(shù)模型作為基座模型進行測試，測試數(shù)據(jù)集涵蓋了從小分子到周期性復雜體系。評測結(jié)果顯示，GPIP在各種任務(wù)上的平均絕對誤差下降了30%-50%，且任務(wù)執(zhí)行不依賴于具體的基座模型和下游任務(wù)數(shù)據(jù)集。得益于自監(jiān)督預訓練的引入，初始生成的結(jié)構(gòu)數(shù)據(jù)僅需二至三次迭代即可滿足實驗需要。此外，預訓練使用的原子結(jié)構(gòu)數(shù)據(jù)通過經(jīng)典MD模擬生成，數(shù)據(jù)獲取所需算力僅為傳統(tǒng)方法的1%。

預測值與真實值的誤差（MAE）隨訓練數(shù)據(jù)量的變化情況（左）以及計算資源消耗量（右）。

上海人工智能實驗室Al for Science團隊

面向物理、化學、生命、地球等科學領(lǐng)域，通過深入研究各學科基礎(chǔ)理論，結(jié)合最新人工智能理論，探索AI驅(qū)動重大科學問題的研究范式，搭建微觀到宏觀自然科學的跨學科數(shù)據(jù)和算法開放生態(tài)平臺，使人工智能緊密結(jié)合自然科學，通過基礎(chǔ)及應(yīng)用研究，構(gòu)建從底層創(chuàng)新到產(chǎn)業(yè)落地的完整體系，加速人工智能在化學、新材料、氣象、藥物研發(fā)等領(lǐng)域的滲透與落地，賦能各行業(yè)發(fā)展。

免責聲明：本文轉(zhuǎn)自網(wǎng)絡(luò)，版權(quán)歸原作者所有，如涉及作品版權(quán)問題，請及時與我們聯(lián)系刪除，謝謝！