تغییرات دما می تواند باعث تغییر حالت آب شود. هنگامی که دما به 0 درجه سانتیگراد کاهش می یابد، آب به یخ تبدیل می شود و بالعکس. شبیه سازی های مولکولی بینش ارزشمندی را در مورد مکانیسم های میکروسکوپی زیربنایی هسته یخ همگن ارائه کرده است. با این حال، این شبیه‌سازی‌ها تا کنون ثابت شده‌اند که بسیار گران هستند.
یک تیم از دانشگاه پرینستون با موفقیت از هوش مصنوعی (AI) برای حل معادلاتی که رفتار کوانتومی اتم‌ها و مولکول‌ها را کنترل می‌کنند برای تکرار مراحل اولیه تشکیل یخ. این شبیه سازی نشان می دهد که چگونه مولکول های آب با دقت کوانتومی به یخ جامد تبدیل می شوند.
روبرتو کار، پروفسور رالف دبلیو. *31 دورنته پرینستون در شیمی، که بیش از 35 سال پیش در رویکرد شبیه سازی رفتارهای مولکولی بر اساس قوانین کوانتومی زیربنایی پیشگام بود، گفت: «به یک معنا، این مانند یک رویا است که به حقیقت پیوسته است. امید ما در آن زمان این بود که در نهایت بتوانیم سیستم هایی مانند این را مطالعه کنیم. با این حال، بدون توسعه مفهومی بیشتر غیرممکن بود، و این توسعه از طریق یک زمینه کاملاً متفاوت، هوش مصنوعی و علم داده انجام شد.
با مدلسازی مراحل اولیه انجماد آب، فرآیند هسته‌زایی یخ می‌تواند دقت مدلسازی آب و هوا و آب و هوا و سایر فرآیندها مانند انجماد سریع مواد غذایی را افزایش دهد. این رویکرد جدید می‌تواند به ردیابی فعالیت صدها هزار اتم در دوره‌های هزاران بار طولانی‌تر، البته در کسری از ثانیه، نسبت به مطالعات اولیه کمک کند.
دانشمندان با استفاده از این رویکرد قوانین مکانیک کوانتومی برای پیش بینی حرکات فیزیکی اتم ها و مولکول ها. اینکه اتم‌ها چگونه با یکدیگر ارتباط پیدا می‌کنند تا مولکول‌ها را تشکیل دهند و اینکه چگونه مولکول‌ها برای ساختن اجسام مشترک با یکدیگر مرتبط می‌شوند، هر دو توسط قوانین مکانیک کوانتومی کنترل می‌شوند.
دانشمندان یک شبکه عصبی را برای تشخیص تعداد نسبتا کمی از محاسبات کوانتومی انتخاب شده آموزش دادند. پس از آموزش، شبکه های عصبی می تواند نیروهای بین اتم ها را که قبلاً هرگز ندیده بود با دقت مکانیکی کوانتومی محاسبه کند. این رویکرد "یادگیری ماشینی" در حال حاضر در برنامه های روزمره مانند تشخیص صدا و خودروهای خودران استفاده می شود.
در سال 2018، دانشمندان راهی برای استفاده پیدا کردند AI برای مدلسازی نیروهای بین اتمی مکانیکی کوانتومی این رویکرد به عنوان دینامیک مولکولی پتانسیل عمیق شناخته می شود.
در این مطالعه، دانشمندان این تکنیک ها را برای چالش شبیه سازی هسته یخ به کار بردند. آنها از دینامیک مولکولی پتانسیل عمیق برای اجرای شبیه سازی تا 300,000 اتم با استفاده از توان محاسباتی بسیار کمتر استفاده کردند. آنها شبیه سازی هایی را روی سامیت، یکی از سریع ترین ابررایانه های جهان، در آزمایشگاه ملی اوک ریج انجام دادند.
پابلو دبندتی، رئیس تحقیقات پرینستون و پروفسور مهندسی و علوم کاربردی کلاس 1950، و یکی از نویسندگان این مطالعه جدید، گفت: "این کار یکی از بهترین مطالعات را در مورد هسته یخ ارائه می دهد."
هسته ی یخ یکی از مقادیر ناشناخته اصلی در مدل های پیش بینی آب و هوا است. این یک گام رو به جلو کاملاً قابل توجه است زیرا ما شاهد توافق خوبی با آزمایش ها هستیم. ما توانسته‌ایم سیستم‌های گسترده‌ای را که قبلاً برای محاسبات کوانتومی تصور نمی‌شد شبیه‌سازی کنیم.»
آتاناسیوس پاناگیوتوپولوس، سوزان دود براون، استاد مهندسی شیمی و بیولوژیکی و یکی از نویسندگان این مطالعه، گفت: روش پتانسیل عمیق مورد استفاده در مطالعه ما به تحقق وعده دینامیک مولکولی از ابتدا برای تولید پیش‌بینی‌های ارزشمند از پدیده‌های پیچیده، مانند واکنش‌های شیمیایی و طراحی مواد جدید کمک می‌کند.»
پابلو پیاجی، اولین نویسنده این مطالعه و دانشیار پژوهشی فوق دکتری شیمی در پرینستون، گفت: "این واقعیت که ما در حال مطالعه پدیده های بسیار پیچیده از قوانین اساسی طبیعت هستیم، برای من بسیار جذاب است. توسعه تکنیک‌های جدید برای مطالعه رویدادهای نادر مانند هسته‌زایی با استفاده از شبیه‌سازی کامپیوتری. رویدادهای نادری در بازه‌های زمانی رخ می‌دهند که طولانی‌تر از زمان‌های شبیه‌سازی است، حتی با کمک هوش مصنوعی، و تکنیک‌های تخصصی برای تسریع آنها مورد نیاز است.
"مولکول های آب از دو تشکیل شده است هیدروژن اتم ها و یک اتم اکسیژن الکترون های اطراف هر اتم تعیین می کنند که چگونه اتم ها می توانند با یکدیگر پیوند برقرار کنند و مولکول ها را تشکیل دهند. ما با معادله ای شروع می کنیم که چگونگی را توضیح می دهد الکترون ها رفتار می کنند. الکترون ها نحوه برهمکنش اتم ها، نحوه تشکیل پیوندهای شیمیایی و تقریباً کل شیمی را تعیین می کنند.
ماشین گفت اتم ها می توانند در میلیون ها آرایش مختلف وجود داشته باشند. جادو این است که به دلیل برخی اصول فیزیکی، ماشین می‌تواند آنچه را که در تعداد نسبتاً کمی از پیکربندی‌های مجموعه کوچکی از اتم‌ها اتفاق می‌افتد، به ترتیبات بی‌شمار یک سیستم بسیار بزرگ‌تر تعمیم دهد.»
پیاجی گفت:, اگرچه چندین سال است که رویکردهای هوش مصنوعی در دسترس بوده اند، اما محققان در مورد استفاده از آنها در محاسبات سیستم های فیزیکی محتاط بوده اند. هنگامی که الگوریتم های یادگیری ماشین شروع به محبوب شدن کردند، بخش بزرگی از جامعه علمی شک داشتند زیرا این الگوریتم ها یک جعبه سیاه هستند. الگوریتم‌های یادگیری ماشین چیزی در مورد فیزیک نمی‌دانند، پس چرا از آنها استفاده کنیم؟
با این حال، در دو سال گذشته، تغییر قابل توجهی در این نگرش رخ داده است، نه تنها به این دلیل که الگوریتم‌ها کار می‌کنند، بلکه همچنین به این دلیل که دانشمندان از دانش خود در زمینه فیزیک برای اطلاع رسانی استفاده می‌کنند. فراگیری ماشین مدل ها."
«این راضی‌کننده است که می‌بینیم کاری که سه دهه پیش آغاز شده بود به ثمر نشست. این توسعه از طریق چیزی بود که در زمینه دیگری توسعه یافت، علم داده و ریاضیات کاربردی. داشتن این نوع تعامل متقابل بین حوزه های مختلف بسیار مهم است.»
مرجع مجله:
- پابلو ام پیاجی، جک ویس و همکاران. هسته یابی همگن یخ در یک مدل یادگیری ماشینی آب از ابتدا PNAS آگوست 2022. DOI: 10.1073 / pnas.2207294119
