Speaker
Description
Развитие современных математических сопроцессоров таких, как видеокарты NVIDIA и AMD, привело к широкому внедрению нейронных сетей в научные вычисления. В частности, на основе машинно-обучаемых межатомных потенциалов предложены более эффективные методы молекулярно-динамического моделирования с использованием преимуществ гибридной архитектуры современных суперкомпьютеров.
Данный подход особенно актуален для моделирования и исследования свойств новых композитных материалов. Классические межатомные потенциалы испытывают трудности в решении подобных задач вследствие того, что они не учитывают специфику химических связей между составными частями композита. Для учета таких особенностей удобно использовать нейронную сеть Бехлера-Парринелло на основе одноименных симметричных функций, так как она обучается на данных квантово-химического моделирования.
В данной работе представлен программный пакет, в рамках которого предложен вариант реализации этой нейросети на основе языка программирования Python и фреймворка PyTorch. Все вычисления производятся через тензорные операции фреймворка, поскольку форма функций Бехлера-Парринелло позволяет осуществить векторизацию вычислений. Проект имеет интерфейс для пакета ASE, который делает доступным молекулярно-динамические эксперименты с использованием нейронной сети. Пакет протестирован на ряде классических и квантово-химических моделей таких, как потенциал Леннарда-Джонса и идеальные кристаллы IB металлов. Показано, что использование данного подхода дает релевантные результаты при минимуме затрат на написание и сопровождение программного кода.
