Microsoft lança MatterSimV1-1M e MatterSimV1-5M no GitHub: um salto no aprendizado profundo para simulações precisas, escalonáveis ​​e atomísticas em ciência de materiais

A Microsoft lançou MatterSimV1-1M e MatterSimV1-5M no GitHub, os modelos líderes em ciência de materiais, que oferecem modelos atômicos de aprendizado profundo projetados para simulações precisas em uma ampla gama de propriedades, temperaturas e pressões. Esses modelos, projetados para previsão funcional de materiais e simulação atomística, prometem revolucionar o campo com velocidade e precisão sem precedentes. Os modelos MatterSim atuam como um campo de força de aprendizado de máquina, permitindo aos pesquisadores simular e prever as propriedades dos materiais sob condições termodinâmicas realistas, como temperaturas de até 5.000 K e pressões de até 1.000 GPa. Treinados com milhões de cálculos de primeiros princípios, esses modelos fornecem insights sobre diversas propriedades de materiais, desde a dinâmica da rede até a estabilidade de fase.

A descoberta e o design de materiais eram lentos e métodos de teste caros dominavam os processos de tentativa e erro. Os modelos MatterSim oferecem uma alternativa in silico, que acelera a previsão e análise das propriedades dos materiais. O aprendizado profundo preenche as lacunas dos métodos tradicionais, como a Teoria do Funcional da Densidade (DFT), fornecendo resultados relativamente rápidos e precisos. Os modelos MatterSim são desenvolvidos ativamente para simular materiais sob várias condições. MatterSimV1-1M é treinado em um milhão de pontos de dados otimizados para simulações de uso geral. MatterSimV1-5M, treinado em cinco milhões de pontos de dados, fornece maior precisão para objetos e configurações complexas.

Os modelos MatterSim prevêem com precisão propriedades como energia livre de Gibbs, comportamento mecânico e transições de fase. Em comparação com modelos de última geração anteriores, ele alcança uma melhoria de dez vezes na precisão da previsão, com um erro absoluto médio (MAE) tão baixo quanto 36 meV/átomo para conjuntos de dados que cobrem uma ampla faixa de temperatura e pressão. Uma das características marcantes do modelo é sua capacidade de prever propriedades dependentes de temperatura e pressão com precisão próxima dos primeiros princípios. Por exemplo, ele prevê com precisão a energia livre de Gibbs de todos os sólidos inorgânicos e calcula diagramas de fases com custo computacional mínimo. A estrutura do modelo inclui redes neurais gráficas profundas e amostragem consciente da incerteza, o que garante uma realizabilidade robusta. Por meio do aprendizado ativo, os modelos MatterSim enriquecem seu conjunto de dados de forma iterativa, capturando regiões sub-representadas no espaço de design de materiais.

MatterSimV1-1M e MatterSimV1-5M Os melhores modelos para muitas aplicações:

• Projeto de materiais: Ele prevê propriedades e resistências de materiais de baixo nível, ajudando os pesquisadores a descobrir e refinar materiais com propriedades específicas.
• Termodinâmica e Estabilidade de Fase: O modelo calcula os diagramas de energia livre e de fases de Gibbs, permitindo uma análise prática da estabilidade dos materiais sob diferentes condições.
• Características Mecânicas: O MatterSim prevê com precisão propriedades como módulo de volume, o que fornece informações valiosas para aplicações de engenharia.
• Previsão do Fônon: O modelo simula vibrações de rede, que são importantes para a compreensão da condutividade térmica e da estabilidade dinâmica.
• Dinâmica Molecular: MatterSim é um substituto confiável para métodos de primeiros princípios, simulando materiais sob temperaturas e pressões extremas.

Os modelos MatterSim também servem como plataforma para customização. Os pesquisadores podem ajustar o modelo usando dados específicos do domínio, reduzindo os requisitos de dados em até 97%. Por exemplo, o ajuste fino dos modelos de simulação de água do MatterSim em um alto nível teórico requer apenas 3% dos dados necessários para treinar o mesmo modelo do zero.

Os modelos MatterSim superam os campos de força globais em conjuntos de dados como MPF-TP, alcançando maior precisão na previsão de forças, forças e tensões. A capacidade do modelo de simular a dinâmica molecular em 118 sistemas diferentes enfatiza a robustez e a flexibilidade. Para aplicações que exigem alta precisão, o MatterSimV1-5M oferece resultados excepcionais. O modelo mantém taxas de sucesso superiores a 90% em simulações envolvendo altas temperaturas e pressões, demonstrando robustez mesmo em condições extremas. O pré-treinamento do modelo em um grande conjunto de dados de 17 milhões de edifícios garante uma integração ampla e configurável. Este extenso treinamento permite que o MatterSim se destaque em tarefas como detecção de objetos, onde identifica milhares de estruturas estáveis ​​que não estão em bancos de dados existentes.

Concluindo, MatterSimV1-1M e MatterSimV1-5M combinam a precisão dos métodos de primeiros princípios com a eficiência do aprendizado de máquina. Esses modelos permitem aos pesquisadores simular e prever as propriedades dos materiais com precisão e velocidade sem precedentes. Com aplicações que vão desde a descoberta de materiais até a construção de diagramas de fases, os modelos MatterSim capacitam os cientistas a enfrentar desafios complexos de projeto de materiais e engenharia. Os pesquisadores podem acessar os modelos no GitHub, usando esta ferramenta de última geração para acelerar as descobertas e o que é possível em simulações atômicas.

Confira Página GitHub e papel. Todo o crédito deste estudo vai para os pesquisadores deste projeto. Além disso, não se esqueça de nos seguir Twitter e junte-se ao nosso Estação telefônica de novo LinkedIn Gracima. Se você gosta do nosso trabalho, você vai gostar do nosso jornal.. Não se esqueça de participar do nosso SubReddit de 60k + ML.

🚨 [Must Attend Webinar]: 'Transforme provas de conceito em aplicativos e agentes de IA prontos para produção' _(Promovido)