GPU-алгоритмы для межатомных потенциалов, основанных на машинном обучении

Точный расчет межатомных потенциалов играет решающую роль в атомистическом моделировании. На практике одной только точности часто бывает недостаточно. Если количество атомов в атомистических системах возрастает, точные методы расчета потенциалов не являются эффективными с вычислительной точки зрения. Следовательно, межатомные потенциалы, основанные на машинном обучении, ­ это новый класс потенциалов, который может помочь изменить парадигму в атомистическом моделировании. Этa дипломная работа описывает подход атомистического моделирования, который опирается на особый тип межатомного потенциала, основанного на машинном обучении (МПМО), а именно на тензорных потенциалах моментов (ТПМ), которые в свою очередь приводят к аппроксимации квантовомеханической поверхности потенциальной энергии с использованием нелинейных функций дескрипторов атомной среды. Модель, применная в данном исследовании для анализа данного вопроса, включает в свою методологию также ГПУ алгоритмы для улучшения скорости работы (МПМО). Чтобы ознакомиться с принципами программирования на ГПУ, была реализована относительно простая модель Леннарда­Джонса с применением силового сглаживания в модуле ГПУ в программе LAMMPS. Эталонные данные для проверки алгоритмов графического процессора берутся из версии для центрального процессора. Реализован и применен метод проверки численной точности траекторий молекулярной динамики, основанный на анализе экспоненциальной расходимости.