利用劳伦斯伯克利国家实验室(BerkeleyLab)的国家能源研究科学计算中心(NERSC)的计算资源，阿贡国家实验室的研究人员成功探索了重要的材料科学问题，并展示了使用机器学习解决困难搜索问题的进展。

通过采用AlphaGo等棋盘游戏的机器学习算法，研究人员为元素周期表中54种元素的纳米团簇开发了力场，这是在理解其独特属性和搜索方法概念证明方面的巨大飞跃。该团队在一月份在《自然通讯》上发表了其结果。

根据它们的规模——100多纳米的体系统与小于100纳米的纳米团簇——材料可以显示出截然不同的特性，包括光学和磁性特性、离散能级和增强的光致发光。这些特性可能有助于新的科学和工业应用，科学家们可以通过开发力场来了解它们——一种计算模型，用于估计每个元素或化合物的分子中原子之间和分子之间的势能。但是材料科学家可以花费数年时间使用传统的基于物理的方法来探索单个元素的纳米团簇中原子之间的结构和力。

“我们想研究纳米级动力学，为此，通常我们会使用一些量子微积分和密度泛函理论，但这些计算在计算上非常昂贵，”该论文的主要作者、材料科学家SukritiManna说。寻找和寻找潜在模型的参数的艰苦工作。

应用机器学习是降低成本的一种潜在方法。然而，可用的算法来自像游戏这样的离散搜索空间，其中搜索分支的数量和可能的结果是有限的。在像化学元素纳米团簇的力场这样的连续作用空间中，可能的搜索分支的数量是无限的，而蛮力——运行每个场景以找到最佳结果的能力——根本不起作用。

更聪明地工作，而不是更努力地工作

为了使现有算法更智能，而不是更难，机器学习专家TroyLoeffler使用了一种强化学习称为蒙特卡洛树搜索(MCTS)。强化学习是机器学习的一种形式，它允许算法直接与其环境交互，通过惩罚和奖励进行学习，目标是随着时间的推移获得最多的累积奖励。MCTS使用“探索和利用”方法——最初随机搜索，然后学习忽略效率较低的搜索路径或播放，并专注于效率更高的搜索路径。Loeffler还引入了一些新函数以提高算法效率：消除冗余搜索的唯一性函数、将树深度与动作空间相关联以提供有用的结构的窗口缩放方案，以及播放扩展，它教算法优先考虑更接近已证明有效的随机搜索。

“我们所做的很多工作实际上是为连续动作空间开发算法，在那里你没有很好的离散棋盘游戏空间;你有可以在特定景观的任何地方移动的参数，”Loeffler说。“核心思想是，你正在使用完全随机性和一些确定性元素的组合，通过人工智能来解决这个问题。”

两种表示形式显示了该算法在预测元素周期表中54个元素的力场方面的有效性。学分：NERSC

这种组合奏效了，为54个元素产生了力场，而过去只需要找到一个元素的参数所需的时间的一小部分，并证明强化学习可以成为连续动作空间中的有用工具。

该团队使用NERSC的Cori超级计算机执行计算并生成训练和拟合数据集，主要使用ViennaAbinitioSimulationPackage(VASP)软件进行原子级材料建模和经典分子动力学代码LAMMPS。这个项目只是NERSC的众多项目之一，来自Argonne的理论和建模团队，他们经常利用NERSC的计算能力、最少的队列和可靠的维护。

“对于碳、硼和磷等元素，我们需要大量数据集，而且我们需要高质量的数据，对于这项特殊的工作，我使用NERSC生成大量庞大的数据集，因为它们的结构多样性。Cori是一台速度非常快的计算机，而且当我使用它时，排队时间很短，所以我们很快就完成了这项工作，”Manna说。此外，他说，“如果我们有100%的工作量，那么对于计算时间，我们90%的工作量都依赖于NERSC。”

机器学习专家RohitBatra表示同意，他开发了一个机器学习框架来分析元素周期表中潜在函数的误差趋势。“我是Cori的忠实粉丝——我将它用于多个目的，”他说。“它维护得非常好。有时，在其他集群中，可能会出现导致它们离线一段时间的问题，但我认为NERSC维护得非常好并且非常可靠。”

MCTS的未来走向深远和广阔

既然已经证明了MCTS在连续搜索空间中的使用，接下来会发生什么?从材料科学的角度来看，探索更复杂的材料还有更多工作要做。

“从应用的角度，从力场发展的角度来看，我们已经探索了元素材料和一些二元合金，所以在不久的将来，我们将研究氧化物和亚硫酸盐等组合，并开发这些力场，”Manna说.“由于强大的算法，我们所需要的只是时间和其他训练数据集。”

但材料科学并不是被这项工作打破的唯一MCTS应用——下一阶段的一部分涉及测试算法实用程序的广度和边界。

“我们正在采用MCTS并将其应用于许多不同的情况，”Loeffler说。“我们或我们的合作者有10或11个不同的项目有兴趣使用该算法，”包括进一步的面向游戏的研究和额外的力场拟合。他补充说，到目前为止，这是一个取得成功的过程，它的未来看起来很光明。“我们正在寻找很多东西来尝试它。但到目前为止，我们尝试过的所有东西都非常有效。”

标签：