Autonomous atomistic-continuum coupling through uncertainty-aware active learning
本文提出了一种自主且具备不确定性感知能力的主动学习框架，该框架将原子尺度动力学蒙特卡洛模拟与连续介质流体动力学求解器高效耦合用于反应性气相沉积，在实现高精度的同时，将所需的原子尺度模拟次数减少了两个到三个数量级。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在材料科学领域，工程师们经常面临着微观与宏观之间令人沮丧的鸿沟。为了理解一种新材料是如何形成的，他们必须观察单个原子，这些原子的尺度以纳米计，运动时间以万亿分之一秒计。然而，为了制造出真实的器件，他们需要了解该材料在米级尺度和秒级时间内的表现。传统上，科学家将这两个世界分开处理，通过创建简化的规则来猜测微观尺度如何影响宏观尺度。但这些猜测往往会失败，因为现实世界是混乱且不可预测的。当简化规则出错时，整个设计都可能存在缺陷。挑战在于，如何在不耗费一生进行单次计算机计算的情况下，将原子尺度与宏观尺度连接起来。
一组研究人员开发了一种新的桥接方法，专门用于一种用于制造先进太阳能电池的过程，这种材料被称为卤化物钙钛矿。这些材料是通过将气体分子蒸气喷射到表面上制成的，分子在表面粘附并结合在一起形成晶体。为了预测晶体生长得有多快以及它的形态如何，科学家通常需要同时运行两种不同的计算机程序。一个程序追踪气体的流动，就像天气模型追踪风向一样。另一个程序追踪落在表面的单个原子，就像一场微观的俄罗斯方块游戏。运行这两个程序在一起非常缓慢，因为原子程序的运行速度比气体程序慢数千倍。每当气体程序需要知道表面如何反应时，它都必须等待原子程序完成其工作，而这对于单次模拟来说可能需要数天或数周的时间。
研究人员通过创建一个“边干边学”的智能助手解决了这个问题。该模型不再每次都向缓慢的原子程序寻求答案，而是构建了一个统计模型作为替代品。该模型从原子程序中获取少量数据开始，然后对表面将如何反应做出自己的预测。这项创新的关键在于，该模型知道自己何时是不确定的。它会记录自己的不确定性得分。当模型对自己的预测很有信心时，它只需向快速的气体程序提供答案，从而让模拟过程飞速前进。然而，如果模型遇到了从未见过的状况，且其不确定性得分过高，它就会暂停并向缓慢的原子程序请求真实答案。随后，它利用这些新信息来更新自己，使其在下次面对类似情况时变得更加聪明。
研究人员将这种被称为“不确定性感知主动学习”的方法应用于模拟蒸汽射流撞击表面以生长晶体的过程。研究人员发现，这个智能助手能够重现缓慢直接方法的计算结果，误差仅为10%到20%左右。更重要的是，它将缓慢原子程序运行的次数减少了100到1000倍。这意味着原本可能需要在超级计算机上运行数月才能完成的模拟，现在可以在极短的时间内完成。研究表明，该模型成功学习了一条复杂的物理规则：即原子粘附在表面的速率并不只是随着更多气体的加入而上升。相反，在达到一定程度后，增加气体实际上会减慢生长速度，模型准确地捕捉到了这一行为，而无需被显式编程告知。
或许最令人惊讶的发现是，该模型并不需要了解表面生长晶体的详细形状即可工作。通常情况下，科学家认为他们必须追踪每一个原子的位置来预测材料的行为。然而，这项研究证明，仅仅追踪不同类型气体分子的质量流即可。模型学到，要预测气体与固体之间的物质交换，并不需要了解晶体内部原子的具体排列方式。通过仅关注质量流，研究人员得以剥离掉那些通常使计算变得极其昂贵的非必要复杂性。
结果表明，这种方法可以比以前更快地设计出更好的太阳能电池和其他材料。团队展示了通过让计算机决定何时需要进行繁重的计算工作，科学家可以在保持高准确度的同时，节省大量的计算能力。该方法具有灵活性，可以应用于其他快速过程与缓慢过程需要进行交互的问题。虽然这项研究是一项模拟实验，但其逻辑在严格测试下依然成立，为那些需要理解材料微观细节却不想等待数年之久的工程师们提供了一条切实可行的路径。这项工作证明，通过正确的学习方式，计算机可以处理原子世界的复杂性，而不至于因此陷入泥沼。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。