วิธีการเรียนรู้เชิงลึกช่วยให้สามารถคำนวณโครงสร้างทางอิเล็กทรอนิกส์ได้อย่างแม่นยำในสเกลขนาดใหญ่ การจัดเรียงอิเล็กตรอนในสสาร หรือที่เรียกว่าโครงสร้างอิเล็กทรอนิกส์ มีบทบาทสำคัญในการวิจัยพื้นฐานแต่ยังรวมถึงการวิจัยประยุกต์ เช่น การออกแบบยาและการเก็บพลังงาน อย่างไรก็ตาม การขาดเทคนิคการจำลองที่ให้ทั้งความเที่ยงตรงสูงและความสามารถในการปรับขยายได้ในช่วงเวลาและความยาวต่างๆ นั้นเป็นอุปสรรคต่อความก้าวหน้าของเทคโนโลยีเหล่านี้มาช้านาน นักวิจัยจาก Center for Advanced Systems Understanding (CASUS) แห่ง Helmholtz-Zentrum Dresden-Rossendorf (HZDR) ในเมือง Görlitz ประเทศเยอรมนี และ Sandia National Laboratories ในเมือง Albuquerque รัฐนิวเม็กซิโก สหรัฐอเมริกา ได้บุกเบิกวิธีการจำลองการเรียนรู้ด้วยเครื่อง ( npj Computational Materials, DOI: 10.1038/s41524-023-01070-z) ซึ่งมาแทนที่เทคนิคการจำลองโครงสร้างอิเล็กทรอนิกส์แบบดั้งเดิม สแต็กซอฟต์แวร์ Materials Learning Algorithms (MALA) ช่วยให้เข้าถึงสเกลความยาวที่ก่อนหน้านี้ไม่สามารถบรรลุได้
Deep learning approach enables accurate electronic structure calculations at large scales.
The arrangement of electrons in matter, known as the electronic structure, plays a crucial role in fundamental but also applied research such as drug design and energy storage. However, the lack of a simulation technique that offers both high fidelity and scalability across different time and length scales has long been a roadblock for the progress of these technologies. Researchers from the Center for Advanced Systems Understanding (CASUS) at the Helmholtz-Zentrum Dresden-Rossendorf (HZDR) in Görlitz, Germany, and Sandia National Laboratories in Albuquerque, New Mexico, USA, have now pioneered a machine learning-based simulation method (npj Computational Materials, DOI: 10.1038/s41524-023-01070-z) that supersedes traditional electronic structure simulation techniques. Their Materials Learning Algorithms (MALA) software stack enables access to previously unattainable length scales.
ยุคฟื้นฟูศิลปวิทยาการอิเล็กทรอนิกส์: การเรียนรู้ของเครื่องช่วยพลิกโฉมการสร้างแบบจำลองวัสดุได้อย่างไร
การจัดเรียงอิเล็กตรอนในสสาร หรือที่เรียกว่าโครงสร้างอิเล็กทรอนิกส์ มีบทบาทสำคัญในการวิจัยพื้นฐานแต่ยังรวมถึงการวิจัยประยุกต์ เช่น การออกแบบยาและการเก็บพลังงาน อย่างไรก็ตาม การขาดเทคนิคการจำลองที่ให้ทั้งความเที่ยงตรงสูงและความสามารถในการปรับขยายได้ในช่วงเวลาและความยาวต่างๆ นั้นเป็นอุปสรรคต่อความก้าวหน้าของเทคโนโลยีเหล่านี้มาช้านาน นักวิจัยจาก Center for Advanced Systems Understanding (CASUS) แห่ง Helmholtz-Zentrum Dresden-Rossendorf (HZDR) ในเมือง Görlitz ประเทศเยอรมนี และ Sandia National Laboratories ในเมือง Albuquerque รัฐนิวเม็กซิโก สหรัฐอเมริกา ได้บุกเบิกวิธีการจำลองการเรียนรู้ด้วยเครื่อง ( npj Computational Materials, DOI: 10.1038/s41524-023-01070-z) ซึ่งมาแทนที่เทคนิคการจำลองโครงสร้างอิเล็กทรอนิกส์แบบดั้งเดิม สแต็กซอฟต์แวร์ Materials Learning Algorithms (MALA) ช่วยให้เข้าถึงสเกลความยาวที่ก่อนหน้านี้ไม่สามารถบรรลุได้
อิเล็กตรอนเป็นอนุภาคมูลฐานที่มีความสำคัญพื้นฐาน ปฏิกิริยาทางกลเชิงควอนตัมระหว่างกันและกับนิวเคลียสของอะตอมทำให้เกิดปรากฏการณ์มากมายที่สังเกตได้ในวิชาเคมีและวัสดุศาสตร์ การทำความเข้าใจและควบคุมโครงสร้างทางอิเล็กทรอนิกส์ของสสารจะให้ข้อมูลเชิงลึกเกี่ยวกับปฏิกิริยาของโมเลกุล โครงสร้างและการขนส่งพลังงานภายในดาวเคราะห์ และกลไกของความล้มเหลวของวัสดุ
ความท้าทายทางวิทยาศาสตร์กำลังได้รับการแก้ไขมากขึ้นผ่านการสร้างแบบจำลองและการจำลองทางคอมพิวเตอร์ โดยใช้ประโยชน์จากความสามารถของคอมพิวเตอร์ประสิทธิภาพสูง อย่างไรก็ตาม อุปสรรคสำคัญในการบรรลุการจำลองที่เหมือนจริงด้วยความแม่นยำเชิงควอนตัมคือการขาดเทคนิคการสร้างแบบจำลองเชิงทำนายที่รวมความแม่นยำสูงเข้ากับความสามารถในการปรับขนาดตามความยาวและเวลาที่แตกต่างกัน วิธีการจำลองอะตอมแบบคลาสสิกสามารถจัดการระบบขนาดใหญ่และซับซ้อนได้ แต่การละเว้นโครงสร้างอิเล็กทรอนิกส์ควอนตัมจะจำกัดการบังคับใช้ ในทางกลับกัน วิธีการจำลองที่ไม่อาศัยสมมติฐาน เช่น การสร้างแบบจำลองเชิงประจักษ์และการปรับพารามิเตอร์ให้พอดี (วิธีหลักการแรก) ให้ความเที่ยงตรงสูงแต่ต้องใช้การคำนวณมาก ตัวอย่างเช่น ทฤษฎีฟังก์ชันความหนาแน่น (DFT) ซึ่งเป็นวิธีหลักการแรกที่ใช้กันอย่างแพร่หลาย แสดงการปรับขนาดลูกบาศก์ด้วยขนาดระบบ ดังนั้นจึงจำกัดความสามารถในการทำนายไว้เพียงสเกลขนาดเล็ก
Hybrid approach based on deep learning
ขณะนี้ทีมนักวิจัยได้นำเสนอวิธีการจำลองแบบใหม่ที่เรียกว่าชุดซอฟต์แวร์ Materials Learning Algorithms (MALA) ในวิทยาการคอมพิวเตอร์ ซอฟต์แวร์สแต็กคือชุดของอัลกอริธึมและส่วนประกอบซอฟต์แวร์ที่รวมกันเพื่อสร้างแอปพลิเคชันซอฟต์แวร์สำหรับแก้ปัญหาเฉพาะ
Lenz Fiedler ปริญญาเอก นักศึกษาและนักพัฒนาคนสำคัญของ MALA ที่ CASUS อธิบายว่า “MALA รวมการเรียนรู้ของเครื่องเข้ากับวิธีการทางฟิสิกส์เพื่อทำนายโครงสร้างทางอิเล็กทรอนิกส์ของวัสดุ มันใช้วิธีการแบบผสมผสาน โดยใช้วิธีการเรียนรู้ด้วยเครื่องที่มีอยู่แล้วที่เรียกว่าการเรียนรู้เชิงลึกเพื่อทำนายปริมาณในท้องถิ่นอย่างแม่นยำ เสริมด้วยอัลกอริทึมทางฟิสิกส์สำหรับการคำนวณปริมาณทั่วโลกที่น่าสนใจ”
ชุดซอฟต์แวร์ MALA ใช้การจัดเรียงของอะตอมในอวกาศเป็นอินพุต และสร้างลายนิ้วมือที่เรียกว่าส่วนประกอบไบสเปกตรัม ซึ่งจะเข้ารหัสการจัดเรียงเชิงพื้นที่ของอะตอมรอบจุดกริดคาร์ทีเซียน โมเดลแมชชีนเลิร์นนิงใน MALA ได้รับการฝึกฝนให้ทำนายโครงสร้างทางอิเล็กทรอนิกส์โดยอิงจากย่านอะตอมนี้ ข้อได้เปรียบที่สำคัญของ MALA คือความสามารถของโมเดลแมชชีนเลิร์นนิงที่ไม่ขึ้นกับขนาดของระบบ ทำให้สามารถฝึกฝนข้อมูลจากระบบขนาดเล็กและปรับใช้ได้ทุกขนาด
ในเอกสารเผยแพร่ ทีมนักวิจัยได้แสดงให้เห็นถึงประสิทธิภาพที่น่าทึ่งของกลยุทธ์นี้ พวกเขาเร่งความเร็วได้มากกว่า 1,000 เท่าสำหรับขนาดระบบที่เล็กลง ซึ่งประกอบด้วยอะตอมไม่กี่พันอะตอม เมื่อเทียบกับอัลกอริทึมทั่วไป นอกจากนี้ ทีมงานยังแสดงความสามารถของ MALA ในการคำนวณโครงสร้างทางอิเล็กทรอนิกส์ในปริมาณมากอย่างแม่นยำ ซึ่งเกี่ยวข้องกับอะตอมมากกว่า 100,000 อะตอม โดยเฉพาะอย่างยิ่ง ความสำเร็จนี้เกิดขึ้นได้ด้วยความพยายามในการคำนวณเล็กน้อย ซึ่งเผยให้เห็นข้อจำกัดของรหัส DFT ทั่วไป
Attila Cangi รักษาการหัวหน้าแผนกเรื่องภายใต้สภาวะสุดขั้วที่ CASUS อธิบายว่า “เมื่อขนาดระบบเพิ่มขึ้นและมีอะตอมเข้ามาเกี่ยวข้องมากขึ้น การคำนวณ DFT จะไม่สามารถใช้งานได้จริง ในขณะที่ความได้เปรียบด้านความเร็วของ MALA เติบโตอย่างต่อเนื่อง ความก้าวหน้าที่สำคัญของ MALA อยู่ที่ความสามารถในการทำงานในสภาพแวดล้อมระดับปรมาณูในท้องถิ่น ทำให้สามารถคาดการณ์เชิงตัวเลขได้อย่างแม่นยำโดยได้รับผลกระทบจากขนาดของระบบน้อยที่สุด ความสำเร็จที่ก้าวล้ำนี้เปิดโอกาสทางการคำนวณที่ครั้งหนึ่งเคยคิดว่าไม่สามารถบรรลุได้”
Boost for applied research expected
Cangi มีเป้าหมายที่จะขยายขอบเขตของการคำนวณโครงสร้างทางอิเล็กทรอนิกส์โดยใช้ประโยชน์จากการเรียนรู้ของเครื่อง: “เราคาดว่า MALA จะจุดประกายการเปลี่ยนแปลงในการคำนวณโครงสร้างทางอิเล็กทรอนิกส์ เนื่องจากขณะนี้เรามีวิธีการจำลองระบบที่ใหญ่ขึ้นอย่างมากด้วยความเร็วที่ไม่เคยมีมาก่อน ในอนาคต นักวิจัยจะสามารถจัดการกับความท้าทายทางสังคมที่หลากหลายโดยอิงจากพื้นฐานที่ได้รับการปรับปรุงอย่างมีนัยสำคัญ รวมถึงการพัฒนาวัคซีนใหม่และวัสดุใหม่สำหรับการจัดเก็บพลังงาน ดำเนินการจำลองขนาดใหญ่ของอุปกรณ์เซมิคอนดักเตอร์ ศึกษาข้อบกพร่องของวัสดุ และสำรวจสารเคมี ปฏิกิริยาสำหรับเปลี่ยนก๊าซคาร์บอนไดออกไซด์ในบรรยากาศเรือนกระจกให้เป็นแร่ธาตุที่เป็นมิตรกับสภาพอากาศ”
นอกจากนี้ แนวทางของ MALA ยังเหมาะอย่างยิ่งสำหรับการประมวลผลประสิทธิภาพสูง (HPC) เมื่อขนาดของระบบใหญ่ขึ้น MALA เปิดใช้งานการประมวลผลอิสระบนกริดการคำนวณที่ใช้ ใช้ประโยชน์จากทรัพยากร HPC อย่างมีประสิทธิภาพ โดยเฉพาะหน่วยประมวลผลกราฟิก
Siva Rajamanickam เจ้าหน้าที่นักวิทยาศาสตร์และผู้เชี่ยวชาญด้านการคำนวณแบบขนานที่ Sandia National Laboratories อธิบายว่า “อัลกอริทึมของ MALA สำหรับการคำนวณโครงสร้างทางอิเล็กทรอนิกส์จับคู่ได้ดีกับระบบ HPC สมัยใหม่ที่มีตัวเร่งความเร็วแบบกระจาย ความสามารถในการแยกส่วนงานและดำเนินการในจุดกริดที่แตกต่างกันแบบขนานบนตัวเร่งความเร็วต่างๆ ทำให้ MALA เป็นคู่ที่เหมาะสมที่สุดสำหรับการเรียนรู้ของเครื่องที่ปรับขนาดได้บนทรัพยากร HPC ซึ่งนำไปสู่ความเร็วและประสิทธิภาพที่เหนือชั้นในการคำนวณโครงสร้างทางอิเล็กทรอนิกส์”
Reference: “Predicting electronic structures at any length scale with machine learning” by Lenz Fiedler, Normand A. Modine, Steve Schmerler, Dayton J. Vogel, Gabriel A. Popoola, Aidan P. Thompson, Sivasankaran Rajamanickam and Attila Cangi, 27 June 2023, npj Computational Materials.
DOI: 10.1038/s41524-023-01070-z
นอกเหนือจากพันธมิตรที่กำลังพัฒนาอย่าง HZDR และ Sandia National Laboratories แล้ว MALA ยังได้รับการว่าจ้างจากสถาบันและบริษัทต่างๆ เช่น Georgia Institute of Technology, North Carolina A&T State University, Sambanova Systems Inc. และ Nvidia Corp.