Pour les chercheurs, le choix d'utiliser des molécules d'eau entières comme unité fondamentale dans le modèle leur a permis d'effectuer la simulation à faible coût de calcul.

"Alors que traditionnellement ces modèles simples introduisent un certain nombre d'approximations et souffrent souvent d'une faible précision, le machine learning nous permet de créer un modèle beaucoup plus précis tout en conservant la simplicité, " a déclaré Badri Narayanan, professeur adjoint à l'Université de Louisville, un co-premier auteur de l'étude.

Cependant, même avec cette dépense de calcul réduite, certaines propriétés physiques peuvent être difficiles à simuler sans supercalculateurs à grande échelle. L'équipe a utilisé le supercalculateur Mira de l'Argonne Leadership Computing Facility, une installation utilisateur du DOE Office of Science, pour effectuer des simulations de jusqu'à 8 millions de molécules d'eau pour étudier la croissance et la formation d'interfaces dans la glace polycristalline.

Selon Mathew Cherukara, co-premier auteur et scientifique adjoint du CNM, ce nouveau modèle, dit "à gros grains, " atteint une fidélité comparable aux modèles qui intègrent une description au niveau atomique. " Traditionnellement, on pourrait penser que l'introduction de ces approximations aboutirait généralement à un modèle bien pire - un modèle efficace mais qui ne fonctionne pas très bien, " dit-il. " La beauté est que ce modèle moléculaire n'a pas le droit d'être aussi précis que les modèles atomistiques, mais finit toujours par l'être."

Pour obtenir la haute précision du modèle à gros grains, les chercheurs ont entraîné le modèle à l'aide d'informations tirées de près d'un milliard de configurations à l'échelle atomique impliquant des propriétés dépendant de la température qui sont bien connues. "Essentiellement, nous avons dit à notre modèle, 'voir, c'est ce que sont les propriétés, ' et lui a demandé de nous donner des paramètres capables de les reproduire, " dit Chan.

La formation du modèle impliquait ce que Chan a appelé une « approche hiérarchique, " dans lequel chaque modèle candidat a été soumis à une série de tests ou d'évaluations, en commençant par les propriétés essentielles de base avant de passer à des propriétés plus complexes. "Vous pouvez penser que c'est comme essayer d'enseigner une compétence à un enfant, " a déclaré Chan. "Vous commencez par quelque chose de fondamental et vous progressez une fois que vous voyez des progrès."

Les chercheurs ont également montré que leur approche pouvait être utilisée pour améliorer les performances d'autres modèles atomistiques et moléculaires existants. « Nous avons pu améliorer considérablement les performances des modèles d'eau de haute qualité existants grâce à notre approche hiérarchique. En principe, nous devrions pouvoir revisiter tous les modèles moléculaires et aider chacun d'entre eux à atteindre leurs meilleures performances, " a déclaré Sankaranarayanan.

Un article basé sur l'étude, "Apprentissage automatique des modèles à gros grains pour l'eau, " paru dans le numéro en ligne du 22 janvier de Communication Nature . D'autres auteurs d'Argonne comprenaient Chris Benmore, Stephen Gray, et Troy Loeffler.