物理学
Physics
加速器物理
Accelerator Physics
应用物理学
Applied Physics
大气与海洋物理学
Atmospheric and Oceanic Physics
本文研究量子点(QD),量子点(QDs)是微型半导体结构,由于量子约束过程具有显着的光学和电气特性。 传统的QD,如CdTe,已经被广泛研究;然而,它们经常表现出毒性和稳定性问题。 石墨烯量子点(GQDs)正在成为传统QD更安全,更稳定的替代品。 GQD是蜂窝晶格碳原子,具有独特的电子和光学特性,使其成为生物医学,电子和储能应用的有希望的候选者。 GQD合成方法(自上而下和自下而上)及其与标准QD相比的优势包括更好的光稳定性,生物相容性和可配置的带隙。 GQD非常适合现实世界的使用,如敏感的生物传感,实时食品安全监测以及智能包装,因为它们具有低毒性,高灵敏度和可负担性。 这些用途对于减少粮食浪费至关重要。 这强调了GQD在推进纳米技术及其与量子技术的潜在集成方面日益增长的重要性,为生物传感,食品安全,环境监测和未来量子电子的创造性解决方案铺平了道路。
机器学习的粗粒(CG)电位很快,但随着时间的推移,当模拟达到采样不足的生物分子构象时,并产生广泛的所有原子(AA)数据来对抗这一点在计算上是不可行的。 我们提出了一种新的活性学习框架,用于分子动力学(MD)中的CG神经网络电位。 基于CGSchNet模型,我们的方法采用基于MD模拟的根均方差(RMSD)帧选择,以便在神经网络电位训练期间通过查询神谕来生成数据。 该框架保留了CG水平效率,同时精确纠正模型,RMSD确定了覆盖范围差距。 通过训练CGSchNet,一个粗粒神经网络潜力,我们的经验表明,我们的框架探索了以前看不见的配置,并在构象空间的未探索区域上训练模型。 我们的主动学习框架使基于Chignolin蛋白训练的CGSchNet模型能够实现33.05
远程飞行中分离纳米样本的结构和动力学可以通过使用X射线自由电子激光器的强脉冲和短脉冲直接可视化。 广角散射图像甚至对样品的三维形态信息进行编码,但检索这些信息仍然是一个挑战。 到目前为止,只有通过配合高度受限的模型才能实现从单次拍摄的有效三维形态重建,需要事先了解可能的几何形状。 在这里,我们提出了一种更通用的成像方法。 依靠一个模型,允许由凸多面体描述的任何样品形态,我们重建了来自单个银纳米粒子的广角衍射模式。 除了已知的高对称性的结构动机外,我们还检索了以前无法访问的不完美的形状和集聚物。 我们的结果为真正的3D结构确定单纳米粒子并最终确定超快纳米级动力学的3D电影开辟了新的途径。
使用图神经网络的图形基础模型可以进行可持续、高效的原子建模。 为了应对在预训练过程中处理多源、多保真数据的挑战,最近的研究采用了多任务学习,其中共享消息传递层最初处理输入原子结构,无论来源如何,然后将它们路由到多个解码头,预测数据特定的输出。 这种方法稳定了预训练,增强了模型对未勘探化学区域的可转移性。 大约400万个结构的初步结果令人鼓舞,但关于更大,更多样化的数据集和超级计算机上的可扩展性的可推广性仍然存在问题。 我们提出了一种多任务并行方法,通过 GPU 加速将每个头分布在计算资源上。 在开源HydraGNN架构中实现,我们的方法在来自五个数据集的2400多万个结构上进行了训练,并在Perlmutter,Aurora和Frontier超级计算机上进行了测试,展示了所有三种高度异构计算架构的高效扩展。
中子衍射法中的结构测定工作量在计算上很昂贵,通常需要几个小时到许多天才能从其中子衍射模式中确定材料的结构。 最近报道了在模拟中子散射模式上训练的机器学习模型以显着加快这些任务的潜力。 然而,训练这些模型所需的模拟数据量随着要预测的结构参数数量呈指数级增长,并构成重大的计算挑战。 为了克服这一挑战,我们引入了一种新的批模式主动学习(AL)策略,该策略使用不确定性采样来模拟从概率分布中绘制的训练数据,这些数据更喜欢模型最不确定的标记示例。 我们确认其在训练相同型号方面的有效性约为75,同时提高了准确性。 然后,我们讨论使用AL策略的高效流式培训工作流程的设计,并在两个异构平台上进行性能研究,以证明与传统的培训工作流程相比,流式工作流提供约20个
已加载全部内容
