Simulations-Durchbruch Maschinelles Lernen macht Materialsimulation tausendmal schneller

Anbieter zum Thema

CADFEM Germany GmbH

»MM Maschinenmarkt« China

trivid GmbH

Forscher haben jetzt eine auf maschinellem Lernen basierende Methode entwickelt, die bisherige Verfahren zur Simulation elektronischer Strukturen übertrifft.

Elektronen sind bekanntlich Elementarteilchen von grundlegender Bedeutung. Ihre quantenmechanischen Wechselwirkungen untereinander, ebenso mit den Atomkernen, sind verantwortlich für viele Phänomene in den Materialwissenschaften. Verständnis und Kontrolle der elektronischen Struktur der Materie geben Aufschluss über die Reaktivität von Molekülen sowie über die Mechanismen bei Materialversagen von Bauteilen.

Bisherige Simulationsmethoden haben ihre Nachteile

Wissenschaftler greifen deshalb immer öfter auf computergestützte Modellierung und Simulationen zu, wenn sie Problemen auf den Grund gehen wollen, wobei hier die Möglichkeiten des Hochleistungsrechnens voll zum Tragen kommen. Für realistische Simulationen mit Quantenpräzision fehlte allerdings ein vorhersagendes Simulationsverfahren, das hohe Genauigkeit mit Skalierbarkeit über verschiedene Längen- und Zeitskalen kombiniert. Klassische atomistische Simulationsmethoden könnten zwar große und komplexe Systeme handhaben, doch weil sie die elektronische Quantenstruktur nicht berücksichtigen, sind sie nicht ideal. Umgekehrt sind Simulationsmethoden, die im Gegensatz zur empirischen Modellierung ausschließlich auf Grundlage analytischer Formeln arbeiten („ab initio-Methoden“), sehr präzise. Sie verlangen aber eine hohe Rechenleistung. Die Dichtefunktionaltheorie (DFT) etwa, eine weit verbreitete „ab initio-Methode“, skaliert beispielsweise in der dritten Potenz mit der Systemgröße, was diese Methode auf kleine Skalen beschränkt.

Abhilfe schafft hybrider Ansatz auf „Deep Learning“-Basis

Forscher des Center for Advanced Systems Understanding (CASUS) am Helmholtz-Zentrum Dresden-Rossendorf (HZDR) in Görlitz und der Sandia National Laboratories in Albuquerque, USA, haben nun eine auf Deep Learning basierende Simulationsmethode entwickelt, die den Mangel beseitigt. Ihr Softwarepaket „MALA“ (Materials Learning Algorithms) software stack ermöglicht nämlich den Zugang zu bisher unerreichten Längenskalen. In der Informatik ist ein „software stack“ eine Sammlung von Algorithmen und Softwarekomponenten, die kombiniert werden, um eine Softwareanwendung zur Lösung eines bestimmten Problems zu erstellen.

Lenz Fiedler, Doktorand und maßgeblicher Entwickler am CASUS, erklärt: „Die Software integriert maschinelles Lernen mit Ansätzen aus der Physik, um die elektronische Struktur von Materialien vorherzusagen.“ Das Softwarepaket nimmt die Anordnung der Atome im Raum als Eingabe und erzeugt „Fingerabdrücke“, sogenannte Bispektrumskomponenten, die die räumliche Anordnung dieser Atome um einen Punkt im Raum kodieren. Das maschinelle Lernmodell in „MALA“ wird trainiert, um die elektronische Struktur auf der Grundlage der Nachbarschaft der Atome vorherzusagen. Ein wesentlicher Vorteil von „MALA“ ist die Fähigkeit seines maschinellen Lernmodells, unabhängig von der Systemgröße zu sein. Es kann daher auf Daten von kleinen Systemen trainiert und danach in jeder Größenordnung eingesetzt werden.

Strukturberechnung mit 100.000 Atomen und relativ wenig Aufwand

In ihrer Veröffentlichung belegen die Wissenschaftler die bemerkenswerte Effizienz dieser Strategie. Im Vergleich zu herkömmlichen Algorithmen erreichten sie bei kleineren Systemen von bis zu einigen Tausend Atomen eine über 1.000-fache Geschwindigkeitssteigerung. Das Aufmacherbild zeigt eine Momentaufnahme einer „Deep Learning“-Simulation mit über 10.000 Berylliumatomen. Darüber hinaus demonstrierten sie, dass „MALA“ in der Lage ist, elektronische Strukturberechnungen in großem Maßstab mit über 100.000 Atomen durchzuführen. Letzteres gelang dabei mit einem überschaubaren Rechenaufwand, was die Begrenzungen herkömmlicher DFT-Codes verdeutlicht.

Die Forscher erklären, dass mit zunehmender Systemgröße und mehr beteiligten Atomen die DFT-Berechnungen unpraktikabler werden, während der Geschwindigkeitsvorteil von „MALA“ aber immer größer wird. Der entscheidende Durchbruch ist die Fähigkeit, mit lokalen Atomumgebungen zu arbeiten. Das ermöglicht genaue numerische Vorhersagen, die von der Systemgröße nur minimal beeinflusst werden. Diese bahnbrechende Errungenschaft eröffnet Berechnungsmöglichkeiten, die früher als unerreichbar galten.

Die Forschung wird künftig in der Lage sein, so glauben die Experten angesichts ihres Erfolges, ein breites Spektrum gesellschaftlicher Herausforderungen mit deutlich besserer Ausgangslage zu bearbeiten. Das reiche von der Entwicklung neuer Impfstoffe und Materialien für die Energiespeicherung über groß angelegte Simulationen von Halbleiter-Bauelementen, der Untersuchung von Materialdefekten bis hin zur Erforschung chemischer Reaktionen zur Umwandlung von klimaschädlichem Kohlendioxid in klimafreundliche Mineralien.

(ID:49605665)