ニューラルネットワーク分子動力学法（NNMD）は、第一原理計算よりも高速なシミュレーションと、既存の分子よりも正確なシミュレーションを可能にします
ニューラルネットワーク分子動力学法（NNMD）は、第一原理計算よりも高速なシミュレーションが可能で、既存の分子動力学計算よりも正確なシミュレーションが可能ですが、第一原理はNNMDで使用するための原子間ポテンシャルを生成するための第一原理です。課題は、計算に基づく教師データが大量に必要なことです。この場合、学習データを作成するクラウドシステムとCeOを使って、大量の第一原理計算を一度に同時に実行することで、潜在的な学習を短時間で行うことができます。 2 従来の力場では再現が困難です。NNMDを用いて固液界面の挙動を解析する例を紹介します。
図1は、CeOのトレーニングデータを作成するために使用される計算モデルを示しています。 2。 また、表1に計算条件の詳細を示します。Deep MD-kit [1] は潜在的な機械学習に使用されました。
今回は、トレーニングデータを作成するために、幅広い温度条件と圧力条件を課す第一原理分子動力学計算を何度も実行しました。しかし、クラウドシステムを使用することで、第一原理計算の度合いをすべて同時に実行でき、ポテンシャル学習を短時間で行うことができました（図2、表2）。今回は、8万件のトレーニングデータを計算するにあたり、80ケースの第一原理分子動力学計算を実行しました。
今回使用したDeep MD-KitはGPUに対応しており、ポテンシャルを高速に学習できます。また、作成したポテンシャルパラメータは無料の分子動力学計算コードLAMMPSで使用でき、MD計算はMPI並列やGPUアクセラレーションにも対応しています。表 3 は、表 1 の 80,000 個の学習データを CPU と GPU で学習させた場合の計算時間を比較した結果です。ポテンシャルラーニングでは、GPU は CPU よりも約 3 ～ 4 倍高速であることがわかります。
表4は、図3のモデルを用いたMD計算におけるCPUとGPUの速度比較結果です。MD計算では、GPUはCPUよりも約10倍速いことが確認されました。
CeO 2の固液界面をシミュレートした結果 作成したポテンシャル関数の使用例を以下に示します。500psのMD計算は、固相と液相の両方で1500原子 (原子の総数:3000原子) の計算モデルを用いて、1気圧と2000Kで行いました。液相が界面から固相へと徐々に変化することが確認されました。その結果、第一原理計算の計算コストが高く、力場パラメータがないために実行が難しい現象をNNMDで計算できることが期待できます。
[1] ハン・ワン、リンフェン・チャン、ジエクン・ハン、ウェイナン・E.「DeepMD-Kit：多体ポテンシャルエネルギー表現と分子動力学のためのディープラーニングパッケージ。」コンピューター・フィジックス・コミュニケーションズ 228 (2018): 178-184
オリジナルソース: https://ctc-mi-solution.com/ニューラルネットワーク分子動力学法を用いたceo2/
