Ekosystem oprogramowania MLatom to platforma typu open-source opracowana przez naukowców z różnych instytucji, zaprojektowana do nieadiabatycznej dynamiki przeskoków powierzchniowych w locie w oparciu o algorytm Landau-Zener-Belyaev-Lebedev (LZBL). Ekosystem pozwala na wykonywanie dynamiki za pośrednictwem interfejsu API Python z wykorzystaniem szeregu metod mechaniki kwantowej (QM) i uczenia maszynowego (ML).
Obejmuje on również AIQM1, narzędzie oparte na uczeniu Δ. Ekosystem MLatom jest niezbędny do zrozumienia procesów fotofizycznych i fotochemicznych i może być zintegrowany z protokołami budowania modeli ML dla dynamiki nieadiabatycznej. Naukowcy planują dalszą integrację MLatom z NewtonX w celu zwiększenia jego funkcjonalności.
Czym jest ekosystem oprogramowania MLatom?
Ekosystem oprogramowania MLatom to platforma open-source zaprojektowana do nieadiabatycznej dynamiki przeskoków powierzchniowych w locie w oparciu o algorytm Landau-Zener-Belyaev-Lebedev (LZBL). Ekosystem ten został opracowany przez zespół naukowców z różnych instytucji, w tym z Kolegium Chemii i Inżynierii Chemicznej na Uniwersytecie Xiamen, Laboratorium Zhejiang, Wydziału Chemii Uniwersytetu Warszawskiego, Uniwersytetu w Aix Marseille oraz Państwowego Kluczowego Laboratorium Chemii Fizycznej Powierzchni Stałych na Uniwersytecie Xiamen.
Ekosystem MLatom pozwala na wykonywanie dynamiki za pośrednictwem interfejsu API Python przy użyciu szerokiej gamy metod mechaniki kwantowej (QM) i uczenia maszynowego (ML). Obejmują one ab initio QM, półempiryczne metody QM i wiele rodzajów potencjałów uczenia maszynowego. Użytkownicy mogą również tworzyć własne kombinacje metod QM i ML. Ekosystem obejmuje również AIQM1, narzędzie oparte na Δ-learningu, które może być używane po wyjęciu z pudełka.
Jak działa MLatom?
Ekosystem oprogramowania MLatom działa poprzez propagację roju niezależnych trajektorii, z których każda wykorzystuje siły dla pojedynczego adiabatycznego stanu elektronowego. Nieadiabatyczny charakter dynamiki jest odzyskiwany poprzez umożliwienie trajektoriom przeskoczenia z pewnym prawdopodobieństwem do innej powierzchni stanu elektronowego. Osiąga się to za pomocą algorytmu LZBL, który oblicza prawdopodobieństwo przeskoku z topografii powierzchni energii potencjalnej. Algorytm ten zyskuje na popularności, ponieważ przyspiesza symulacje i umożliwia przeskakiwanie powierzchni nawet w przypadku metod, w których sprzężenia nieadiabatyczne nie są dostępne.
Ekosystem MLatom zapewnia również przykładowe skrypty, które umożliwiają użytkownikom uzyskanie końcowych wykresów populacji poprzez proste podanie początkowej geometrii cząsteczki. Skrypty te wykonują optymalizację geometrii, obliczenia trybu normalnego, próbkowanie warunków początkowych, propagację trajektorii równoległych, analizę populacji i wykreślanie wyników końcowych.
Jakie są zastosowania MLatom?
Ekosystem oprogramowania MLatom jest niezbędny do zrozumienia procesów fotofizycznych i fotochemicznych. Jest on szczególnie przydatny do symulacji dynamiki przeskoków powierzchniowych w locie, która jest najczęściej stosowanym typem symulacji dynamiki nieadiabatycznej. Ekosystem może być płynnie zintegrowany z protokołami budowania modeli ML dla dynamiki nieadiabatycznej.
Naukowcy zaprezentowali, w jaki sposób AIQM1, narzędzie w ekosystemie MLatom, odtwarza wydajność kwantową izomeryzacji trans-azobenzenu przy niskich kosztach. W przyszłości głębsza i bardziej wydajna integracja MLatomu z NewtonX umożliwi szeroki zakres funkcji dla dynamiki przeskoków powierzchniowych.
Jak MLatom wypada na tle innych pakietów oprogramowania?
Algorytm LZBL używany w ekosystemie oprogramowania MLatom został zaimplementowany w kilku innych pakietach do przeskakiwania powierzchni, takich jak ZagHop, ABIN, PySurf i Libra. Pakiety te wymagają jednak interfejsów do oprogramowania struktury elektronowej innych firm w celu obliczenia energii i sił dla stanów elektronowych zaangażowanych w metody QM.
Ekosystem MLatom wyróżnia się tym, że pozwala na wykorzystanie modeli uczenia maszynowego do oceny sił i energii, co może znacznie przyspieszyć proces. Potencjał ten jest niedostatecznie wykorzystywany dla przybliżenia LZBL, chociaż istnieje rosnące zainteresowanie wykorzystaniem ML do przyspieszenia dynamiki przeskoków powierzchniowych LZBL.
Jaka jest przyszłość MLatom?
Dziedzina metod ML stosowanych do przeskoków powierzchniowych szybko się rozwija i istnieje potrzeba wszechstronnego ekosystemu oprogramowania, który umożliwia łatwe użytkowanie, modyfikację i rozszerzenie. Ekosystem oprogramowania MLatom spełnia tę potrzebę w zakresie dynamiki nieadiabatycznej.
Naukowcy planują dalszą integrację MLatom z NewtonX, aby umożliwić szeroki zakres funkcji dla dynamiki przeskoków powierzchniowych. Ułatwi to podobne przepływy pracy za pośrednictwem interfejsu API Pythona, dzięki czemu ekosystem będzie jeszcze bardziej przyjazny dla użytkownika i wydajny.