Машинне навчання для вивчення молекулярної динаміки

Дослідницька група японського університету запропонувала метод, що поєднує машинне навчання та розрахунки молекулярної динаміки для оцінки фрикційних властивостей мастильних матеріалів з дуже низькою швидкістю зсуву. Дослідники заявили, що це може призвести до більш чіткого розуміння динаміки тертя в широкому діапазоні систем і, отже, до більш ефективного змащення.

Група професорів та студентів Сендайського національного технологічного коледжу при університеті Кейо заявила, що вже відомо, що характеристики тертя змінюються в залежності від робочої швидкості механічних частин, але всебічна оцінка таких характеристик з точки зору молекулярної динаміки мастильних матеріалів виявилася складним завданням. Дослідники зазначили, що мастильні матеріали на обмежених межах розділу механічних компонентів зазнають впливу високих швидкостей зсуву та тиску, що може значно змінити поведінку порівняно з іншими частинами системи. Обчислювальні підходи, такі як молекулярно-динамічне моделювання, використовувалися для дослідження молекулярної поведінки мастильних матеріалів, але області матеріалів з низькою швидкістю зсуву рідко моделювалися через високу вартість розрахунків, необхідних для цього. Крім того, молекулярна динаміка при зсувних швидкостях, порівнянних до експериментальних, не зовсім зрозуміла.

У своєму дослідженні група виконала моделювання нерівноважної динаміки чотирьох типів мастильних матеріалів у надзвичайно обмежених умовах — шари мастила товщиною всього дві молекули, поміщені в стінки зі слюди, при швидкостях зсуву в діапазоні від 0,001 до 1 м/с. «Хоча ми підтвердили витончення при зсуві, профілі швидкості не могли показати поведінку потоку, коли швидкість зсуву була набагато меншою, ніж теплові коливання», — зазначили вони. «Тому ми використовували неконтрольований підхід машинного навчання виявлення молекулярних рухів, які сприяють витонченню при зрушенні».

Спочатку дослідники витягли прості особливості молекулярних рухів із великої кількості даних молекулярної динаміки, які, як було виявлено, корелюють з ефективною в’язкістю. Згодом дослідники інтерпретували вилучені функції, вивчаючи траєкторії, що сприяють цим функціям. Група також виконала розрахунки молекулярної динаміки мастильних матеріалів в умовах, які відтворюють контактні поверхні механічних частин та використовують неконтрольовану механіку. Вчені пояснили, що машинне навчання з учителем, яке використовується найчастіше, зазвичай передбачає нові вхідні значення, вивчаючи відповідність між вхідними значеннями і правильними даними. Навпаки, неконтрольоване машинне навчання виконує бажане завдання лише з урахуванням початкових вхідних значень. Прикладом може бути спрощене вилучення ознак зі складних даних. «У цьому дослідженні ми виділили функції, які спрощують складні кінематичні характеристики мастильних матеріалів», – сказали вони.

Група заявила, що її метод дозволяє легко і всебічно оцінювати властивості різних мастильних матеріалів і, як очікується, сприятиме розвитку широкого кола галузей, які використовують мастильні матеріали. Зокрема, планується продовжити дослідження, спрямовані на практичне застосування, у тому числі щодо оцінки зміни фрикційних характеристик за рахунок додавання мастильних присадок. Їх дослідницька робота називається «Поєднання молекулярної динаміки та машинного навчання для аналізу розрідження при зсуві алканових та кулястих мастильних матеріалів у режимі низького зсуву». Вона була опублікована раніше цього року у міжнародному журналі ACS Applied Materials & Interfaces.

За матеріалами https://www.lubesngreases.com/