O arranjo de elétrons na matéria, conhecido como estrutura eletrônica, desempenha um papel crucial na pesquisa fundamental, mas também aplicada, como design de medicamentos e armazenamento de energia. No entanto, a falta de uma técnica de simulação que ofereça alta fidelidade e escalabilidade em diferentes escalas de tempo e comprimento tem sido um obstáculo para o progresso dessas tecnologias.

Pesquisadores do Center for Advanced Systems Understanding (CASUS) no Helmholtz-Zentrum Dresden-Rossendorf (HZDR) em Görlitz, Alemanha, e Sandia National Laboratories em Albuquerque, Novo México, EUA, foram pioneiros em um método de simulação baseado em aprendizado de máquina que substitui técnicas tradicionais de simulação de estrutura eletrônica.

Sua pilha de software Materials Learning Algorithms (MALA) permite o acesso a escalas de comprimento anteriormente inatingíveis. O trabalho foi publicado na revista npj Computational Materials .

Os elétrons são partículas elementares de fundamental importância. Suas interações mecânicas quânticas entre si e com núcleos atômicos dão origem a uma infinidade de fenômenos observados na química e na ciência dos materiais. Compreender e controlar a estrutura eletrônica da matéria fornece informações sobre a reatividade das moléculas, a estrutura e o transporte de energia dentro dos planetas e os mecanismos de falha de material.

Os desafios científicos estão sendo cada vez mais abordados por meio de modelagem e simulação computacional, aproveitando os recursos da computação de alto desempenho. No entanto, um obstáculo significativo para alcançar simulações realistas com precisão quântica é a falta de uma técnica de modelagem preditiva que combine alta precisão com escalabilidade em diferentes escalas de comprimento e tempo.

Métodos clássicos de simulação atomística podem lidar com sistemas grandes e complexos , mas sua omissão de estrutura eletrônica quântica restringe sua aplicabilidade. Por outro lado, os métodos de simulação que não dependem de suposições, como modelagem empírica e ajuste de parâmetros (métodos de primeiros princípios), fornecem alta fidelidade , mas são computacionalmente exigentes. Por exemplo, a teoria funcional da densidade (DFT), um método de primeiros princípios amplamente utilizado, exibe escala cúbica com o tamanho do sistema, restringindo assim suas capacidades preditivas a pequenas escalas.

A equipe de pesquisadores agora apresentou um novo método de simulação chamado pilha de software Materials Learning Algorithms (MALA). Na ciência da computação, uma pilha de software é uma coleção de algoritmos e componentes de software que são combinados para criar um aplicativo de software para resolver um problema específico.

Lenz Fiedler, Ph.D. aluno e principal desenvolvedor do MALA na CASUS, explica: "O MALA integra aprendizado de máquina com abordagens baseadas em física para prever a estrutura eletrônica de materiais. Ele emprega uma abordagem híbrida, utilizando um método de aprendizado de máquina estabelecido chamado aprendizado profundo para prever com precisão quantidades locais, complementado por algoritmos físicos para calcular quantidades globais de interesse."

A pilha de software MALA toma o arranjo dos átomos no espaço como entrada e gera impressões digitais conhecidas como componentes bispectrais, que codificam o arranjo espacial dos átomos em torno de um ponto de grade cartesiana. O modelo de aprendizado de máquina no MALA é treinado para prever a estrutura eletrônica com base nessa vizinhança atômica. Uma vantagem significativa do MALA é a capacidade de seu modelo de aprendizado de máquina ser independente do tamanho do sistema, permitindo que ele seja treinado em dados de pequenos sistemas e implantado em qualquer escala.

Em sua publicação, a equipe de pesquisadores mostrou a notável eficácia dessa estratégia. Eles alcançaram uma aceleração de mais de 1.000 vezes para tamanhos de sistema menores, consistindo em alguns milhares de átomos, em comparação com os algoritmos convencionais. Além disso, a equipe demonstrou a capacidade do MALA de executar com precisão cálculos de estruturas eletrônicas em grande escala, envolvendo mais de 100.000 átomos. Notavelmente, essa conquista foi alcançada com esforço computacional modesto, revelando as limitações dos códigos DFT convencionais.

Attila Cangi, o chefe interino do Departamento de Matéria em Condições Extremas da CASUS, explica: "À medida que o tamanho do sistema aumenta e mais átomos são envolvidos, os cálculos DFT tornam-se impraticáveis, enquanto a vantagem de velocidade do MALA continua a crescer. O principal avanço do MALA está em sua capacidade de operar em ambientes atômicos locais, permitindo previsões numéricas precisas que são minimamente afetadas pelo tamanho do sistema. Essa conquista inovadora abre possibilidades computacionais antes consideradas inatingíveis."

O Cangi visa ultrapassar os limites dos cálculos de estruturas eletrônicas, aproveitando o aprendizado de máquina. "Prevemos que o MALA desencadeará uma transformação nos cálculos de estruturas eletrônicas, pois agora temos um método para simular sistemas significativamente maiores a uma velocidade sem precedentes. No futuro, os pesquisadores poderão abordar uma ampla gama de desafios sociais com base em uma linha de base aprimorada, incluindo o desenvolvimento de novas vacinas e novos materiais para armazenamento de energia , realizando simulações em larga escala de dispositivos semicondutores, estudando defeitos de materiais e explorando reações químicas para converter o dióxido de carbono do gás de efeito estufa atmosférico em minerais amigáveis ??ao clima”.

Além disso, a abordagem do MALA é particularmente adequada para computação de alto desempenho (HPC). À medida que o tamanho do sistema cresce, o MALA permite o processamento independente na grade computacional que utiliza, aproveitando efetivamente os recursos de HPC, principalmente as unidades de processamento gráfico.

Siva Rajamanickam, cientista da equipe e especialista em computação paralela do Sandia National Laboratories, explica: "O algoritmo de MALA para cálculos de estrutura eletrônica mapeia bem os sistemas HPC modernos com aceleradores distribuídos. A capacidade de decompor o trabalho e executar em paralelo diferentes pontos de grade em diferentes aceleradores torna o MALA uma combinação ideal para aprendizado de máquina escalável em recursos de HPC, levando a velocidade e eficiência incomparáveis ??em cálculos de estruturas eletrônicas ."