MD模拟中预测原子力和能量的图形变换器神经网络力场制造技术

MD模拟中预测原子力和能量的图形变换器神经网络力场。模拟包括将多元素系统内元素的分子动力学快照转换成以原子作为图形节点的图形；定义矩阵，使得矩阵的每一列表示图形中的节点；根据每个原子的相对位置集合定义距离矩阵；使用注意力机制迭代通过GTFF，对矩阵进行操作，并且通过合并距离矩阵进行扩充，以将隐藏状态从GTFF的当前层传递到GTFF的下一层；在矩阵的列之上执行组合以产生标量分子能量；做出通过GTFF的向后传递，迭代地计算GTFF各层中每一层处的导数，以计算作用在每个原子上的力的预测；以及返回作用在每个原子上的力的预测。

【技术实现步骤摘要】
MD模拟中预测原子力和能量的图形变换器神经网络力场
本专利技术一般涉及用于在诸如电化学和水过滤设备之类的材料系统中的分子动力学计算机模拟中直接预测原子力的图形变换器神经网络力场（GTFF）计算算法。
技术介绍
分子动力学是一种计算材料科学方法，其用于模拟在真实操作压力和温度条件下材料系统中的原子运动。存在用于计算在模拟原子运动中使用的基本原子力的方法。一个方法是从头算量子力学方法（ab-initioquantummechanicsapproach）。该方法非常准确，但也非常昂贵，因为应用该方法必需巨大量的计算资源。虽然存在消耗较少计算资源的其他方法，但是这些其他方法不提供同样高的准确性。
技术实现思路
根据一个或多个说明性示例，使用图形变换器神经网络（GTFF）来模拟多元素系统内元素运动的计算方法包括将多元素系统内元素的分子动力学快照转换成以原子作为图形节点的图形；定义矩阵，使得矩阵的每一列表示图形中的节点；根据每个原子的相对位置集合定义距离矩阵；使用注意力机制迭代通过GTFF，对矩阵进行操作，并且通过合并距离矩阵进行扩充，以将隐藏状态从GTFF的当前层传递到GTFF的下一层；在矩阵的列之上执行组合以产生标量分子能量；做出通过GTFF的向后传递，迭代地计算GTFF各层中每一层处的导数，以计算作用在每个原子上的力的预测；以及返回作用在每个原子上的力的预测。根据一个或多个说明性示例，一种用于使用图形变换器神经网络（GTFF）来模拟多元素系统内的元素运动的计算系统，包括存储器，其存储分子动力学（MD）软件的GTFF算法的指令；以及处理器，其被编程为执行指令以执行操作，所述操作包括将多元素系统内的元素的分子动力学快照转换成以原子作为图形节点的图形；定义矩阵，使得矩阵的每一列表示图形中的节点；根据每个原子的相对位置集合定义距离矩阵；使用注意力机制迭代通过GTFF，对矩阵进行操作，并且通过合并距离矩阵进行扩充，以将隐藏状态从GTFF的当前层传递到GTFF的下一层；在矩阵的列之上执行组合以产生标量分子能量；做出通过GTFF的向后传递，迭代地计算GTFF各层中每一层处的导数，以计算作用在每个原子上的力的预测；以及返回作用在每个原子上的力的预测。根据一个或多个说明性示例，非暂时性计算机可读介质包括用于使用图形变换器神经网络（GTFF）来模拟多元素系统内的元素运动的指令，所述指令当由处理器执行时，使得处理器用于：将多元素系统内的元素的分子动力学快照转换成以原子作为图形节点的图形；定义矩阵，使得矩阵的每一列表示图形中的节点；根据每个原子的相对位置集合定义距离矩阵；使用注意力机制迭代通过GTFF，对矩阵进行操作，并且通过合并距离矩阵进行扩充，以将隐藏状态从GTFF的当前层传递到GTFF的下一层；在矩阵的列之上执行组合以产生标量分子能量；做出通过GTFF的向后传递，迭代地计算GTFF各层中每一层处的导数，以计算作用在每个原子上的力的预测；以及返回作用在每个原子上的力的预测。附图说明图1是使用神经网络执行分子动力学模拟的示例图解；图2是用于MD模拟的图形变换器神经网络力场（GTFF）方法的示例图解；和图3是可以用于实现一个或多个实施例中的GTFF算法、例如图2的GTFF算法的计算平台的示意图解。具体实施方式根据要求，本文中公开了本专利技术的详细实施例；然而，将理解到，所公开的实施例仅仅是本专利技术的示例，本专利技术的示例可以以各种形式以及替代形式来体现。各图不一定是按比例的；一些特征可以被放大或最小化以示出特定部件的细节。因此，本文中公开的具体结构和功能细节不应被解释为限制性的，而是仅仅作为用于教导本领域技术人员以各种方式采用本专利技术的代表性基础。术语“基本上”在本文中可以用来描述公开或要求保护的实施例。术语“基本上”可以修饰在本公开中公开或要求保护的值或相对特性。在这种情况下，“基本上”可以表示它修改的值或相对特性在该值或相对特性的±0%、0.1%、0.5%、1%、2%、3%、4%、5%或10%之内。分子动力学（MD）方法有益于研究物理现象，所述物理现象诸如但不限于离子传输、化学反应以及在诸如器件或功能材料之类的材料系统中的材料体积和表面降解。这样的材料系统的非限制性示例包括燃料电池、表面涂层、电池、水脱盐和水过滤。存在用于计算在模拟原子运动中使用的基本原子力的方法。从头算量子力学方法非常准确，但也非常昂贵，因为应用该方法必需巨大量的计算资源。神经网络已经被用来拟合和预测量子力学能量。这些方法被称为神经网络力场（NNFF）。能量相对于原子位置和力的导数是使用量子力学能量来预测的。然而，这些方法在计算上也很广泛。鉴于上述情况，需要的是一种用于计算原子力的计算方法，所述计算方法在消耗合理量的计算资源的同时提供充足水平的准确度。分子动力学使用原子位置（以及可能的电荷、键或其他结构信息）来计算每个原子的原子间力，所述每个原子的原子间力从而在模拟中被用于修改原子的速度。所得到的原子轨迹用于描述物理现象，所述物理现象诸如但不限于电池（例如，Li离子电池）和燃料电池（例如，燃料电池电解质）中的离子传输运动、在体积材料和表面材料降解期间的化学反应、固态材料相变、例如用于药物设计、生物科学和生物化学设计的分子结合和蛋白质折叠。取决于用于计算原子力的基本方法，模拟的准确度与（通过原子数量和模拟动力学时间所测量的）大小之间存在权衡。如上面记载的，一种准确但昂贵的方法使用了被称为从头算分子动力学（AIMD）的从头算量子力学方法。已经针对提供不太昂贵的方法而进行了现有的工作。在J.P.Mailoa等人的在Nat.Mach.Intell.(2019)中接收的arXiv:1905.02791.AFastNeuralNetworkApproachforDirectCovariantForcesPredictioninComplexMulti-ElementExtendedSystems（一种用于复杂多元素扩展系统中直接协变力预测的快速神经网络方法）中，提出了一个版本的快速NNFF，以通过使用旋转协变特征来直接预测扩展原子系统中的原子力矢量。然而，特征提取依赖于特征工程，从而使得它不太准确。在T.Xie等人的CrystalGraphConvolutionalNeuralNetworksforanAccurateandInterpretablePredictionofMaterialProperties（用于材料属性的准确和可解释预测的晶体图形卷积神经网络）.Phys.Rev.Lett.120,145301(2018)中，卷积图形神经网络被用于自原子结构的自动化特征提取，以使能实现总的系统能量预测。使用该方法，原子与键之间的消息传递机制由网络设计者控制。在B.Chen等人的Path-AugmentedGraphTransformerNetwork（路径扩增的图形变换器网络）.arXiv:1905.12712(2019)中，一种扩增有路径（真实化学键）特征的图形变换器神经网络本文档来自技高网...

【技术保护点】
1.一种用于使用图形变换器神经网络（GTFF）模拟多元素系统内元素运动的计算方法，所述方法包括：/n将多元素系统内元素的分子动力学快照转换成以原子作为图形节点的图形；/n定义矩阵，使得矩阵的每一列表示图形中的节点；/n根据每个原子的相对位置集合定义距离矩阵；/n使用注意力机制迭代通过GTFF，对矩阵进行操作，并且通过合并距离矩阵进行扩充，以将隐藏状态从GTFF的当前层传递到GTFF的下一层；/n在矩阵的列之上执行组合以产生标量分子能量；/n做出通过GTFF的向后传递，迭代地计算GTFF各层中每一层处的导数，以计算作用在每个原子上的力的预测；以及/n返回作用在每个原子上的力的预测。/n

【技术特征摘要】
20190912 US 16/5693081.一种用于使用图形变换器神经网络（GTFF）模拟多元素系统内元素运动的计算方法，所述方法包括：
将多元素系统内元素的分子动力学快照转换成以原子作为图形节点的图形；
定义矩阵，使得矩阵的每一列表示图形中的节点；
根据每个原子的相对位置集合定义距离矩阵；
使用注意力机制迭代通过GTFF，对矩阵进行操作，并且通过合并距离矩阵进行扩充，以将隐藏状态从GTFF的当前层传递到GTFF的下一层；
在矩阵的列之上执行组合以产生标量分子能量；
做出通过GTFF的向后传递，迭代地计算GTFF各层中每一层处的导数，以计算作用在每个原子上的力的预测；以及
返回作用在每个原子上的力的预测。


2.根据权利要求1所述的计算方法，其中矩阵的列之上的组合被实现为总和。


3.根据权利要求1所述的计算方法，其中矩阵的列之上的组合被实现为均值。


4.根据权利要求1所述的计算方法，其中使用神经网络来实现矩阵的列之上的组合。


5.根据权利要求1所述的计算方法，进一步包括在矩阵中包括作为图形节点的除了原子之外的其他分子对象，其他分子对象包括原子的一个或多个键或量子态。


6.根据权利要求5所述的计算方法，进一步包括定义图形中其他分子对象到其他对象的距离，使得距离矩阵对于每个元素保持良定义。


7.根据权利要求1所述的计算方法，进一步包括使用损失函数将GTFF训练为深度神经网络，形成所述损失函数以将力预测与标记数据集上的基准真值力进行比较，使得使用梯度下降关于所述损失函数来优化网络权重。


8.根据权利要求1所述的计算方法，其中所述计算方法被集成到分子动力学（MD）软件中。


9.根据权利要求1所述的计算方法，进一步包括在注意力机制中利用softmax来通过GTFF向前传播隐藏状态。


10.一种用于使用图形变换器神经网络（GTFF）来模拟多元素系统内的元素运动的计算系统，所述系统包括：
存储器，其存储分子动力学（MD）软件的GTFF算法的指令；和
处理器，其被编程为执行指令以执行操作，所述操作包括
将多元素系统内的元素的分子动力学快照转换成以原子作为图形节点的图形；
定义矩阵，使得矩阵的每一列表示图形中的节点；
根据每个原子的相对位置集合定义距离矩阵；
使用注意力机制迭代通过GTFF，对矩阵进行操作，并且通过合并距离矩阵进行扩充，以将隐藏状态从GTFF的当前层传递到GTFF的下一层；
在矩阵的列之上执行组合以产生标量分子能量；
做出通过GTFF的向后传递，迭代地计算GTFF各层中每一层处的导数，以计算作用在每个原子上的力的预测；以...

【专利技术属性】
技术研发人员：白绍杰，J·Z·科尔特，M·科恩布鲁斯，J·麦罗阿，D·威尔莫特，
申请(专利权)人：罗伯特·博世有限公司，
类型：发明
国别省市：德国;DE