💻🔋 Машинное обучение выводит моделирование материалов в новую эру
Расположение электронов в веществе играет решающую роль как в фундаментальных, так и в прикладных исследованиях. От разработки лекарств до накопления энергии. Но раньше не было нормального метода моделирования который обеспечивает высокую точность и масштабируемость. Современные методы игнорируют квантовую структуру, либо наоборот, обеспечивают высокую точность, но за счёт большого количества ресурсов.
Сейчас исследователи впервые применили метод, основанный на машинном обучении. Он может заменить традиционное методы моделирования электронных структур и справится с их недостатками.
www.hzdr.de/db/Cms?pOid=69680&pNid=99
Machine learning takes materials modeling into new era - Helmholtz-Zentrum Dresden-Rossendorf, HZDR
The arrangement of electrons in matter, known as the electronic structure, plays a crucial role in fundamental but also applied research such as drug design and energy storage. However, the lack of a simulation technique that offers both high fidelity and scalability across different time and length scales has long been a roadblock for the progress of these technologies. Researchers from the Center for Advanced Systems Understanding (CASUS) at the Helmholtz-Zentrum Dresden-Rossendorf (HZDR) in Görlitz, Germany, and Sandia National Laboratories in Albuquerque, New Mexico, USA, have now pioneered a machine learning-based simulation method (npj Computational Materials, DOI: 10.1038/s41524-023-01070-z) that supersedes traditional electronic structure simulation techniques. Their Materials Learning Algorithms (MALA) software stack enables access to previously unattainable length scales.
Black holes not only existed at the dawn of time, they birthed new stars and supercharged galaxy formation, a new analysis of James Webb Space Telescope data suggests