چند وقت پیش یک مقاله با یک رویکرد انقلابی یادگیری ماشین (ML) برای شبیه‌سازی حرکت اتم‌ها در موادی مانند آلومینیوم در مجله Nature Communications منتشر شده است. این رویکرد خودکار برای توسعه پتانسیل ارتباطات بین اتمی می‌تواند زمینه کشف مواد محاسباتی را تغییر دهد.
جاستین اسمیت از آزمایشگاه ملی لوس آلاموس گفت: “شبیه‌سازی پویایی فعل و انفعالات اتم، سنگ بنای درک و توسعه مواد جدید است و روش‌های یادگیری ماشین ابزارهای جدیدی در اختیار دانشمندان محاسباتی برای انجام دقیق و کارآمد این شبیه سازی‌های اتمی است. مدل‌های یادگیری ماشین برای تقلید از نتایج کوانتومی بسیار دقیق طراحی شده‌اند و این شبیه‌سازی را با کسری از هزینه انجام می‌دهند.”
وی افزود كه برای به حداكثر رساندن دقت كلی مدل‌های یادگیری ماشین، طراحی مجموعه‌ی داده‌ای بسیار متنوع كه برای آموزش از آن استفاده شود ضروری است. یک چالش بزرگ این است که مشخص نیست و نمی‌توان پیش‌بینی کرد که چه داده‌های آموزشی بیشتر مورد نیاز مدل ML خواهد بود. کارهای اخیر این تیم یک روش خودکار یادگیری فعال را برای ساخت مکرر مجموعه داده‌های آموزشی ارائه می‌دهد.
در هر تکرار، این روش از بهترین مدل یادگیری ماشین فعلی برای انجام شبیه سازی‌های اتمی استفاده می‌کند. هنگامی که شرایط فیزیکی جدیدی فراتر از دانش مدل یادگیری ماشین ML وجود دارد، داده‌های مرجع جدید از طریق شبیه‌سازی گران قیمت کوانتومی جمع‌آوری می‌شود و مدل یادگیری ماشین ML دوباره آموزش می‌یابد. این سیستم از طریق روش یادگیری فعال اطلاعات مربوط به انواع مختلف پیکربندی‌های اتمی از جمله انواع ساختارهای بلوری و انواع الگوهای نقص موجود در بلورها را جمع‌آوری می‌کند.
