Electronic Renaissance: How Machine Learning Reimagines Material Modeling
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 […]
