Машинное обучение для изучения молекулярной динамики

Исследовательская группа японского университета предложила метод, сочетающий машинное обучение и расчеты молекулярной динамики для оценки фрикционных свойств смазочных материалов с очень низкой скоростью сдвига. Исследователи заявили, что это может привести к более четкому пониманию динамики трения и смазки в широком диапазоне систем и, следовательно, к более эффективной смазке.

Группа профессоров и студентов Сендайского национального технологического колледжа при университете Кэйо заявила, что уже известно, что характеристики трения меняются в зависимости от рабочей скорости механических частей, но всесторонняя оценка таких характеристик с точки зрения молекулярной динамики смазочных материалов оказалась сложной задачей. Исследователи отметили, что смазочные материалы на ограниченных границах раздела механических компонентов подвергаются воздействию высоких скоростей сдвига и давления, что может значительно изменить поведение по сравнению с другими частями системы. Вычислительные подходы, такие как неравновесное молекулярно-динамическое моделирование, использовались для исследования молекулярного поведения смазочных материалов, но области материалов с низкой скоростью сдвига редко моделировались из-за высокой стоимости расчетов, необходимых для этого. Кроме того, молекулярная динамика при сдвиговых скоростях, сравнимых с экспериментальными, не совсем понятна.

В своем исследовании группа выполнила моделирование неравновесной динамики четырех типов смазочных материалов в чрезвычайно ограниченных условиях — слои смазки толщиной всего в две молекулы, заключенные в стенки из слюды, при скоростях сдвига в диапазоне от 0,001 до 1 м/с. «Хотя мы подтвердили истончение при сдвиге, профили скорости не могли показать поведение потока, когда скорость сдвига была намного меньше, чем тепловые колебания», — отметили они. «Поэтому мы использовали неконтролируемый подход машинного обучения для обнаружения молекулярных движений, которые способствуют истончению при сдвиге».

Изначально исследователи извлекли простые особенности молекулярных движений из большого количества данных молекулярной динамики, которые, как было обнаружено, коррелируют с эффективной вязкостью. Впоследствии исследователи интерпретировали извлеченные функции, изучая траектории, способствующие этим функциям. Группа также выполнила расчеты молекулярной динамики смазочных материалов в условиях, которые воспроизводят контактные поверхности механических частей и используют неконтролируемую механику. Ученые объяснили, что машинное обучение с учителем, которое используется чаще всего, обычно предсказывает новые входные значения, изучая соответствие между входными значениями и правильными данными. Напротив, неконтролируемое машинное обучение выполняет желаемую задачу только на основе вводных значений. Примером может служить упрощенное извлечение признаков из сложных данных. «В этом исследовании мы выделили функции, которые упрощают сложные кинематические характеристики смазочных материалов», — сказали они.

Группа заявила, что ее метод позволяет легко и всесторонне оценивать свойства различных смазочных материалов и, как ожидается, будет способствовать развитию широкого круга отраслей, использующих смазочные материалы. В частности, планируется продолжить исследования, направленные на практическое применение, в том числе по оценке изменения фрикционных характеристик за счет добавления смазочных присадок. Их исследовательская работа называется «Сочетание молекулярной динамики и машинного обучения для анализа разжижения при сдвиге алкановых и шаровидных смазочных материалов в режиме низкого сдвига». Она была опубликована ранее в этом году в международном журнале ACS Applied Materials & Interfaces.

По материалам https://www.lubesngreases.com/