Búsqueda · 18 momentos en 8 episodios
Silvana TapiaJuan Carlos GilFrancis VillatoroHéctor SocasBorja Tosarpotencial profundo describe estructuras inusualesred neuronal convergida y procesotécnica para elegir estructurasdft calcula potencial de estructuraerror potencial profundo dft-fetenestructuras complejas umbral energéticoentrenamiento potencial profundo red profundaaprendizaje activo estructuras mejoresDFT-FETENJuan Carlos GilDFTTPMDFETEN
Entrenamiento potencial profundo red profunda
Con
0:000:301:001:302:002:303:003:35
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.
…esta pregunta es no y el ciclo sigue. Pero si en algún momento el método encuentra que ya ha convergido, pues se saldría por la esquina inferior derecha del diagrama que os cuento luego. Si no, sigue en el sentido horario hacia el siguiente punto de decisión. ¿Ha convergido la red neuronal? Donde aquí lo que hacen es comprobar si el potencial profundo 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…
Significado #1 · Palabras #1
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 GilPalabras #5tpmd 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 #1 · Palabras #1potencial profundo describe estructuras inusualesred neuronal convergida y procesotécnica para elegir estructurasdft calcula potencial de estructuraerror potencial profundo dft-fetenestructuras complejas umbral energéticoentrenamiento potencial profundo red profundaaprendizaje activo estructuras mejores…esta pregunta es no y el ciclo sigue. Pero si en algún momento el método encuentra que ya ha convergido, pues se saldría por la esquina inferior derecha del diagrama que os cuento luego. Si no, sigue en el sentido horario hacia el siguiente punto de decisión. ¿Ha convergido la red neuronal? Donde aquí lo que hacen es comprobar si el potencial profundo 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 destaca un resultado clave del trabajo realizado: la publicación abierta del potencial profundo refinado utilizado en el estudio, que incluye dos millones de parámetros de una red neuronal y el código asociado.
Habla: Juan Carlos GilPalabras #6potencial profundo refinado publicación abiertared neuronal parámetros y sesgoscódigo asociado ciencia abierta…es el hielo 11, y en la cola estarían los hielos de más alta densidad, con las parejas 6 y 15 y 7 y 8. Con lo cual hay un gradiente a lo largo de este cocodrilo tiburón, pues de un gradiente desde hielos abiertos, si queremos, hasta los hielos más compactos. Otro resultado fundamental de este trabajo es, obviamente, el propio potencial profundo refinado que se ha incurrado apto para este régimen de presiones, que está publicado de forma abierta, claro, y son dos millones de parámetros de la red neuronal entre pesos y sesgos, pues ahí hay dos millones de numeritos, también publican el código, con lo cual, pues fenomenal, ciencia abierta para seguir acercándonos a la realidad natural. Con ese potencial y utilizando integración termodinámica calculan el diagrama de fases del agua. Aquí hay una sutil cosa pero no me quiero meter porque ya me estáis empezando a mirar raro. La diferencia en el DFT da las estructuras a temperatura cero. Si…