Важные задачи, такие как опреснение воды, осушение воздуха и переработка ядерных отходов, требуют дорогостоящих этапов разделения. Команда из Университета штата Северная Каролина использовала суперкомпьютер Bridges-2 от Питтсбургского суперкомпьютерного центра для разработки компьютерного моделирования силового поля, которое значительно упрощает создание металлоорганических каркасов (МОК) для разделения веществ. Их экспериментальная работа с силовым полем PHAST 2.0 обещает менее затратное и более эффективное разделение отходов от полезных химических веществ.
Необходимость разделения
По всей стране и в мире нам нужно отделять то, что мы хотим, от того, что нам не нужно. Необходимо удалять соль из морской воды, чтобы её можно было пить. Нужно удалять водяной пар из воздуха, чтобы сделать пространство более комфортным и менее агрессивным для металлов и электроники. Нужно отделять радиоактивный газ криптон от ядерных отходов, сохраняя ценный газ ксенон. И сегодня методы разделения сложны и дороги. На разделение приходится от 10% до 15% мирового потребления энергии.
Металлоорганические каркасы (МОК)
Брайан Спэйс, заместитель заведующего кафедрой химии в Университете штата Северная Каролина, и его команда сосредоточились на перспективном наборе материалов, называемых металлоорганическими каркасами (МОК). Эти сетчатые вещества, состоящие из атомов углерода и металлов, позволяют газам или жидкостям проходить через них.
Однако присоединение к ним различных химических групп может позволить веществу, которое мы хотим восстановить, прилипнуть к каркасу, когда сырьё проходит через него. С правильной химией эту липкость можно обратить вспять, чтобы мы могли восстановить то, что захватил МОК.
Компьютерное моделирование
Чтобы избежать множества ненужных проб и ошибок при разработке и усовершенствовании МОК для различных целей, группа Спейса в значительной степени полагается на компьютерное моделирование поведения кандидатов МОК. В течение многих лет их инструментами для работы были флагманские суперкомпьютеры PSC. Недавно они использовали Bridges-2 через выделение из ACCESS, национальной сети высокопроизводительных вычислительных сайтов NSF.
Работа Спейса предполагает своего рода пинг-понг между вычислениями и лабораторией. Компьютер предсказывает, как материал будет вести себя в реальном мире. Затем учёные тестируют его в этих условиях. Если прогнозы оказываются неточными, они возвращаются к компьютеру, совершенствуя симуляцию, чтобы она работала лучше.
Сила полей в компьютерном моделировании
Чтобы избежать точного, но затратного по времени пути моделирования каждого электрона в материале по отдельности, команда использует так называемое силовое поле. Вы берёте относительно небольшую часть вещества и подсчитываете силы, действующие на неё со стороны остального вещества как силового поля — как в научно-фантастическом рассказе. Это там как совокупный эффект, а не как отдельные атомы. Это упрощает и ускоряет вычисления.
Проблема в том, что силовое поле полезно настолько, насколько оно точно. И за многие годы химики пришли к выводу, что уравнение Леннард-Джонса, которое давало достаточно хорошие результаты при более ранних биомедицинских симуляциях, не работает в масштабе, необходимом для качественного моделирования поведения МОК.
Улучшенное силовое поле PHAST 2.0
Адам Хоган, научный сотрудник, работающий в лаборатории Спейса, хотел вывести новое силовое поле, разработанное группой, PHAST, на новый уровень. PHAST и улучшенный Хоганом PHAST 2.0 используют подход искусственного интеллекта, основанный на физике.
Сначала учёные обучили ИИ на наборе из 40 молекул, поведение которых ранее было опубликовано рядом других учёных. Давая ИИ «правильные ответы», они могли помочь ему улучшить свои прогнозы методом проб и ошибок, усиливая связи между точками данных, которые давали хорошие прогнозы, и ослабляя те, которые этого не делали. Затем они протестировали его на другом наборе молекул без помеченных ответов, чтобы увидеть, останутся ли его оценки точными.
«Количество вычислений, которое вам приходится делать в наши дни или которое вы можете сделать, невероятно. Прямо сейчас тренировочный набор состоит из 40 молекул. Но также существуют огромные перекрестные взаимодействия между всеми этими вещами… мы не смогли бы сделать это без высокопроизводительных вычислений», — говорит Спэйс.
Bridges-2 идеально подошёл для этой работы. Хотя тренировочный набор состоял всего из 40 молекул, тестовый набор включал сотни тысяч взаимодействий. Сочетание обучающих графических процессоров (GPU) и тысяч центральных процессоров (CPU) для обработки чисел дало учёным из Роли возможность преобразовать тысячи химических поведений в единое силовое поле, которое надёжно воспроизводило их эффекты. Команда опубликовала свои первоначальные результаты с PHAST 2.0 в Журнале химической теории и вычислений в мае 2025 года.