Zur NavigationLogin

DE EN

B7 (N): Bildung vergröberter Modelle mit Methoden des maschinellen Lernens

Ziel des Projektes ist die Evaluation der Anwendbarkeit von maschinellem Lernen auf Multiskalen-Simulationen von Systemen der weichen Materie. Dabei stehen Verfahren im Vordergrund, die mittels moderner „tiefer“ neuronaler Netze automatisch Repräsentationen von Daten auf verschiedenen Skalen aus Beispieldaten lernen können. Wir betrachten zwei Anwendungsszenarien: (i) Regressionsverfahren zur Approximation komplexer Wechselwirkungen am Beispiel einer nichtadditiven Wechselwirkung (Polarisation) und (ii) generative probabilistische Modelle. Bei letzteren wird das Problem des “backmappings” von einem vergröberten Modell auf das ursprüngliche höher auflösende Modell durch bedingte Wahrscheinlichkeiten beschrieben, deren Verteilung durch ein maschinelles Lernverfahren aus entsprechenden Beispielsimulationen gelernt wird.


Adversarial reverse mapping of equilibrated condensed-phase molecular structures
Marc Stieffenhofer, Michael Wand, Tristan Bereau
Machine Learning: Science and Technology 1, 045014 (2020);
doi:10.1088/2632-2153/abb6d4

A tight and consistent link between resolutions is crucial to further expand the impact of multiscale modeling for complex materials. We herein tackle the generation of condensed molecular structures as a refinement—backmapping—of a coarse-grained (CG) structure. Traditional schemes start from a rough coarse-to-fine mapping and perform further energy minimization and molecular dynamics simulations to equilibrate the system. In this study we introduce DeepBackmap: A deep neural network based approach to directly predict equilibrated molecular structures for condensed-phase systems. We use generative adversarial networks to learn the Boltzmann distribution from training data and realize reverse mapping by using the CG structure as a conditional input. We apply our method to a challenging condensed-phase polymeric system. We observe that the model trained in a melt has remarkable transferability to the crystalline phase. The combination of data-driven and physics-based aspects of our architecture help reach temperature transferability with only limited training data.

Kernel-Based Machine Learning for Efficient Simulations of Molecular Liquids
Christoph Scherer, René Scheid, Denis Andrienko, Tristan Bereau
Journal of Chemical Theory and Computation 16 (5), 3194-3204 (2020);
doi:10.1021/acs.jctc.9b01256

Kontakt

Diese Seite verwendet Cookies. Mit der Nutzung dieser Seite erklären Sie sich damit einverstanden, dass wir Cookies setzen.

Weitere Informationen