使用机器学习加速不规则形状粒子的模拟

当粒子是球形时，模拟粒子是一项相对简单的任务。然而，在现实世界中，大多数粒子都不是完美的球形，而是呈现不规则且变化多端的形状和大小。模拟这些粒子变得更具挑战性且耗时。

模拟粒子的能力对于了解粒子的行为至关重要。例如，微塑料是一种新的污染形式，因为塑料废物急剧增加，并且通过机械方式或紫外线降解在环境中不受控制地衰减。这些非常微小的颗粒现在几乎遍布世界各地。为了能够解决这场环境危机，重要的是要更多地了解这些颗粒及其行为。

为了应对这一挑战，伊利诺伊大学香槟分校的研究人员训练了神经网络来预测不规则形状粒子之间的相互作用，以加速分子动力学模拟。通过这种方法，模拟速度可以比传统模拟方法快 23 倍，并且可以应用于任何具有足够训练数据的不规则形状。

这项研究的题为“通过神经网络预测相互作用加速的各向异性粒子的分子动力学模拟”，发表在《化学物理学杂志》上。

“微塑料现在在环境中无处不在，它们大多数都不是球形，它们非常不均匀，有角有边。解决它们在环境中的行为问题需要我们开发新方法，找到更快、更便宜、更有效地模拟它们的方法，”材料科学与工程教授安东尼娅·斯塔特说。

球体很容易模拟，因为确定两个粒子如何相互作用所需的唯一参数是球体中心之间的距离。从球体转向更复杂的形状(如立方体或圆柱体)，不仅需要知道两个粒子之间的距离，还需要知道每个粒子的角度和相对位置。例如，模拟立方体的传统方法涉及用许多小球体构建立方体。

“用小球体来镶嵌立方体是一种非常迂回的描述方式，”斯塔特解释道。“这种方法也很昂贵，因为你必须计算所有小球体之间的相互作用。为了绕过这个问题，我们使用了机器学习——前馈神经网络——这是一种奇特的说法，‘让我们来拟合一个我们不知道的复杂函数。’而神经网络在这方面真的很擅长。如果你给它们提供足够的数据，它们就能拟合任何你想要的东西。”

使用这种方法，不需要单独计算小球之间的所有距离。只需要立方体中心到中心的距离及其相对方向，这使得计算更加容易和快速。此外，这种方法与传统方法一样准确。由于它是根据传统方法产生的数据进行训练的，因此不可能更准确，但它可以更有效。

未来，Statt 希望能够模拟更复杂的不规则形状以及不同形状的混合，例如立方体和圆柱体，而不是两个立方体。“我们必须学习所有单独的相互作用，但这种方法足够通用，我们将能够做到这一点，”她说。