洛斯阿拉莫斯国家实验室(Los Alamos National Laboratory)、北卡罗来纳大学教堂山分校(University of North Carolina at Chapel Hill)和佛罗里达大学(University of Florida)的最新研究表明，欧亿软件人工神经网络可以被训练成编码量子力学定律来描述分子的运动，这可能会在大范围的领域进行超级模拟。

 

“这意味着我们现在可以比传统量子方法更快地对材料和分子动力学进行建模，同时保持同样的精确度，”洛斯阿拉莫斯实验室理论部门的物理学家、大都会研究员贾斯汀·史密斯(Justin Smith)说。了解分子如何运动对于开发药物、蛋白质模拟和反应化学等潜在价值至关重要，量子力学和实验(经验)方法都可以应用到模拟中。

 

这项被称为ANI-1ccx势的新技术有望提高许多领域研究人员的能力，并在未来的金属合金和爆炸物理研究中提高基于机器学习的势的准确性。

 

量子力学(QM)算法用于经典计算机，能够准确地描述化合物在其运行环境中的力学运动。但是QM在不同分子大小的情况下很难扩展，这严重限制了可能的模拟范围。在模拟中， 杏耀娱乐好不好 ，即使分子大小稍有增加，也会极大地增加计算负担。因此， 杏耀平台 ，从业人员经常求助于使用经验信息，oe客户端这些经验信息根据经典物理学和牛顿定律描述原子的运动，使模拟能够扩展到数十亿个原子或数百万种化合物。

 

传统上，经验势必须在准确性和可转让性之间进行权衡。当对一种化合物的许多电势参数进行微调时，对其他化合物的准确度就会下降。

 

相反，洛斯阿拉莫斯团队与北卡罗来纳大学教堂山分校(University of North Carolina at Chapel Hill)和佛罗里达大学(University of Florida)合作，开发了一种名为“转移学习”(transfer learning)的机器学习方法，通过从收集到的数百万其他化合物的数据中学习，他们可以建立经验潜力。这种具有机器学习经验潜力的新方法可以在几毫秒内应用于新分子，从而在更长的时间尺度内研究更多的化合物。