使用机器学习来处理实验数据

了解控制功能材料性能的动态过程对于设计下一代材料以应对全球能源和环境挑战是至关重要的。许多这样的过程涉及到单个原子或小分子在凝聚状态下的动力学。分子动力学模拟仍然是探索动力学过程的少数工具之一;然而,由于每次模拟都会生成大量的数据,因此搜索相关的动态“比大海捞针要糟糕得多”。

现在,Jeff Grossman和Yang Shao-Horn在《自然通讯》上发表了一篇关于图动力学网络发展的论文,这是一种从分子动力学模拟中理解动力学的非监督学习方法。这种方法现在使从实验数据学习的过程自动化,使搜索相关和重要数据的任务变得更容易,并可能发现以前被忽视的见解。