Búsqueda · 35 momentos en 22 episodios
Silvana TapiaJuan Carlos GilFrancis VillatoroHéctor SocasBorja Tosartpmd combina precisión cuántica velocidadaprendizaje activo refina método simulaciónred profunda calcula potencial partículadft feten optimiza configuraciones simulaciónTPMDDFTFETENJuan Carlos GilDFT-FETENAmundsenScottDinámica Molecular Avinicioteoría del funcional de la densidad DFTAIMDMonte CarloCarr
Aprendizaje activo refina método simulación
Con
0:000:301:001:302:002:303:003:35
Juan Carlos Gil explica cómo la dinámica molecular con potencial profundo (TPMD) combina precisión cuántica y velocidad de la dinámica molecular clásica, permitiendo refinar el método durante la simulación.
…mostraron que podemos entrenar una red neuronal profunda para imitar la superficie de energía real cuántica dada por la DFT en lugar de tener que calcular la DFT completa en cada paso de la simulación. Vamos, yo me quedé de piedra, ultra ingenioso, así nace. La dinámica molecular con potencial profundo, TPMD, que combina las mejores cosas de ambos mundos: la precisión cuántica por una parte y la velocidad de la dinámica molecular clásica. Solo tienes que consultar la red profunda en cada paso de la simulación para que te dé el potencial en una partícula. Luego, en trabajos posteriores, refinaron el método con lo que llaman aprendizaje activo. El propio sistema durante la simulación, si se da cuenta, haciendo una serie de chequeos, que el potencial profundo que conoce empieza a no representar de forma óptima las configuraciones que le van saliendo en la simulación pues puede calcular esas configuraciones por un DFT chulo, FETEN, e incorporar esos nuevos valores al reentrenar la red e incorporarlo para seguir haciendo la simulación con un potencial refinado. Vale, os he hablado de agua por un poquito y también de simulación, pero todavía necesito introducir otra cosita antes de pasar al artículo, mezclando agua y simulación. ¿Qué modelos de agua se han utilizado para la simulación? Pues el primer modelo moderno…
Significado #1 · Palabras #1
Juan Carlos Gil explica los dos métodos principales para estudiar la complejidad del agua: experimentalmente 'in vitro' con equipos de laboratorio y mediante simulación por ordenador, denominando esta última 'insílico'.
Habla: Juan Carlos GilSignificado #10 · Palabras #19agua experimentalmente in vitrosimulación por ordenador insílicoparalelismo in vitro en vivo insílico…bien y me lo apunté porque le dijo: mira, me dijo Juan Carlos, lo del agua es que no te lo acabas. O sea, puedes dedicar una vida científica y no te lo acabas, la mojigata molécula del agua. Vale, ¿cómo estudiamos entonces toda esta panoplia de diversidad? Pues de dos maneras fundamentalmente. In vitro, si me dejáis un poco el chiste, es decir, experimentalmente, ahí con el cacharrito, con el tubo de ensayo, e insílico, que sería mediante simulación por ordenador. Es que me gusta mucho esta expresión de insílico, haciendo un paralelismo a in vitro y en vivo, insílico en el chip, en la olea de silicio En el laboratorio se usan técnicas que permiten determinar cómo se ordenan las moléculas. La principal, con mucha diferencia, es la difracción de neutrones, tanto elástica como cuasi-elástica; pues se ha sido la herramienta fundamental para estudiar el agua y…
Juan Carlos Gil explica que las simulaciones por ordenador son una herramienta clave para estudiar el diagrama de fases del agua, comparándolas con las exploraciones polares de Amundsen y Scott.
Habla: Juan Carlos GilSignificado #8simulaciones ordenador diagrama fases aguaexploraciones polares amundsen y scottmateria condensada simulacion por ordenador…se emplean celdas de yunque de diamante. Tanto en su versión estática como una razonablemente reciente, es una celda dinámica que es capaz de comprimir a lo bestia lo que le pongas ahí en microsegundos y está muy bien para estudiar cinéticas rápidas. Pero La herramienta que nos permite convertirnos en los Amundsen y Scott, exploradores del hielo, del hielo en particular y el diagrama de fases del agua en general, bueno pues es la simulación, la simulación por ordenador, que os quiero contar muy rápidamente cómo va esto de la simulación de materia condensada. La idea central es que si conocemos cómo interactúan las moléculas entre sí, podemos hacer que un ordenador pues imite su comportamiento. En la práctica esto requiere definir un potencial de interacción, una función que asigna una energía potencial a cada…
Juan Carlos Gil explica las ventajas de la Dinámica Molecular Avinicio (AIMD) sobre los métodos tradicionales de simulación, destacando su fidelidad cuántica a pesar del alto coste computacional.
Habla: Juan Carlos GilPalabras #9dinámica molecular avinicio aimdfidelidad cuántica en materia condensadacoste computacional simulación monte carlo…40 años desde las primeras simulaciones de dinámica molecular, Carr y Parrinello dieron un salto enorme a esto de la simulación por ordenador al unir la dinámica molecular con la mecánica cuántica. Crearon lo que se llama Dinámica Molecular Avinicio, A-I. -M-D, donde las fuerzas ya no vienen de un potencial artificial que hay que parametrizar, sino de resolver cuánticamente las nubes de electrones del sistema en cada paso de la simulación En particular, el método este de Cariparrinello usa la teoría del funcional de la densidad DFT, que es uno de los culpables habituales en teoría cuántica Con AIMD podemos, por tanto, simular la materia condensada con fidelidad cuántica, si se quiere, pero con un coste computacional desorbitado Entre mil y cien mil veces más que una simulación equivalente por Monte Carlo o por dinámica molecular Yo empecé la tesis en 1987 y por supuesto en mi grupo conocimos rápidamente los trabajos de Carr y Parrinello Pero su técnica estaba total, absoluta y demencialmente fuera de nuestro alcance En mi tesis hice Monte Carlo de polielectrolitos e iones con unas 500…
Juan Carlos Gil explica cómo la dinámica molecular con potencial profundo (TPMD) combina precisión cuántica y velocidad de la dinámica molecular clásica, permitiendo refinar el método durante la simulación.
Habla: Juan Carlos GilSignificado #1 · Palabras #1tpmd combina precisión cuántica velocidadaprendizaje activo refina método simulaciónred profunda calcula potencial partículadft feten optimiza configuraciones simulación…mostraron que podemos entrenar una red neuronal profunda para imitar la superficie de energía real cuántica dada por la DFT en lugar de tener que calcular la DFT completa en cada paso de la simulación. Vamos, yo me quedé de piedra, ultra ingenioso, así nace. La dinámica molecular con potencial profundo, TPMD, que combina las mejores cosas de ambos mundos: la precisión cuántica por una parte y la velocidad de la dinámica molecular clásica. Solo tienes que consultar la red profunda en cada paso de la simulación para que te dé el potencial en una partícula. Luego, en trabajos posteriores, refinaron el método con lo que llaman aprendizaje activo. El propio sistema durante la simulación, si se da cuenta, haciendo una serie de chequeos, que el potencial profundo que conoce empieza a no representar de forma óptima las configuraciones que le van saliendo en la simulación pues puede calcular esas configuraciones por un DFT chulo, FETEN, e incorporar esos nuevos valores al reentrenar la red e incorporarlo para seguir haciendo la simulación con un potencial refinado. Vale, os he hablado de agua por un poquito y también de simulación, pero todavía necesito introducir otra cosita antes de pasar al artículo, mezclando agua y simulación. ¿Qué modelos de agua se han utilizado para la simulación? Pues el primer modelo moderno…
Juan Carlos Gil explica cómo se mejora el potencial profundo en el proceso iterativo para generar estructuras de hielo, utilizando estructuras complejas que exceden un umbral de error energético.
Habla: Juan Carlos GilSignificado #5 · Palabras #2error potencial profundo dft-fetenestructuras complejas umbral energéticoentrenamiento potencial profundo red profundaaprendizaje activo estructuras mejores…que tenemos en estos momentos están describiendo bien las estructuras rarunas que van saliendo con el proceso. Se eligen unas cuantas de ellas, hay una técnica para elegirlas y se calcula su DFT, su estructura y su potencial, bien con un DFT bien hecho. Si el error del potencial profundo respecto del DFT-FETEN supera los 3 milielectronvoltios por molécula, entonces se cogen esas estructuras complicadas y se alimentan a la última fase del ciclo, el entrenamiento del potencial profundo que os mencionaba antes. Se calcula un DFT superbueno y se alimenta con estas estructuras a la red profunda para mejorar el potencial profundo, valga la redundancia de tanto profundo; era lo que antes llamábamos aprendizaje activo. Tenemos entonces estructuras mejores, potencial refinado y seguimos con el ciclo hasta que, después de dar las vueltas que sean necesarias, Convergen los dos puntos de decisión que hay en el diagrama y cuando es así nos salimos en el bloque final, abajo a la derecha de la figura, que pone cálculo de la energía libre con las estructuras supervivientes a todas estas perrerías, pues se relajan por…
Juan Carlos Gil explica por qué considera importante el artículo que están discutiendo, destacando un método metodológico innovador para explorar estructuras de materia condensada.
Habla: Juan Carlos GilPalabras #18algoritmo evolutivo materia condensadadinámica molecular potencial profundoenvolvente convexa energía de densidadfunción de huella dactilar aprendizaje automático…pero argumentan que precisamente en la zona alrededor de su hielo L, bueno pues los tres funcionales dan cosas bastante parecidas, así que su diagnóstico es que el hielo L es un candidato prometedor a un nuevo polimorfo estable del hielo. Voy concluyendo. ¿Por qué creo yo que es importante lo que cuenta este artículo? Primero, por el fantástico resultado metodológico: han puesto a punto un método de exploración de estructuras de materia condensada que combina un algoritmo evolutivo para generar estructuras, una dinámica molecular con potencial profundo para relajarlas, unos criterios de filtrado por envolvente convexa energía de densidad y una función de huella dactilar, un proceso de aprendizaje automático para reentrenar la red neuronal profunda, todo ello salpimentado con cálculos de la teoría del funcional de la densidad. En fin, no sé si alguien da más, pero es apabullante. Segundo resultado, al aplicar este método al agua, a bajas y medias presiones, han redescubierto todo lo que había por redescubrir. Los hielos reales, los sospechosos, propuestos anteriormente, lo que demuestra que el potencial profundo, hombre, describe la…