当粒子是球形时，模拟粒子是一项相对简单的任务。然而，在现实世界中，大多数粒子并不是完美的球体，而是不规则的，形状和大小各不相同。模拟这些粒子成为一项更具挑战性和耗时的任务。

模拟粒子的能力对于理解它们的行为方式至关重要。例如，微塑料是一种新的污染形式，因为塑料废物急剧增加，并且通过机械手段或紫外线降解在环境中不受控制地腐烂。这些非常微小的粒子现在几乎在世界各地都能找到。为了能够补救这场环境危机，更多地了解这些颗粒及其行为是很重要的。

为了应对这一挑战，伊利诺伊大学厄巴纳-香槟分校的研究人员已经训练了神经网络来预测不规则形状粒子之间的相互作用，以加速分子动力学模拟。与传统模拟方法相比，该方法的模拟速度可提高23倍，并且可以应用于任何不规则形状，并且具有足够的训练数据。

“微塑料现在在环境中无处不在，它们中的大多数不是球体，它们非常不均匀，它们有角落和边缘。解决它们在环境中的行为问题需要我们开发新的方法，找到更快、更便宜、更有效地模拟它们的方法，”材料科学与工程教授安东尼娅·斯塔特(Antonia Statt)说。

球体很容易模拟，因为确定两个粒子如何相互作用所需的唯一参数是每个球体中心之间的距离。从球体移动到更复杂的形状，如立方体或圆柱体，不仅需要知道两个粒子彼此之间的距离，还需要知道每个粒子的角度和相对位置。例如，传统的模拟立方体的方法包括用许多小球体构建立方体。

斯塔特解释说:“用小球体镶嵌立方体是一种非常迂回的描述立方体的方式。”“这也很昂贵，因为你必须计算所有小球体彼此之间的相互作用。为了绕过这个问题，我们使用了机器学习——一种前馈神经网络——这是一种奇特的说法，“让我们拟合一个我们不知道的复杂函数。”神经网络在这方面很擅长。如果你给他们提供足够的数据，他们就能适应你喜欢的任何东西。”

使用这种方法，小球体之间的所有距离都不需要单独计算。只需要立方体中心到中心的距离和它的相对方向，使它更容易和更快。此外，该方法与传统方法一样准确。由于它是根据传统方法产生的数据进行训练的，因此不能更准确，但它可以更有效。

在未来，Statt希望能够模拟更复杂的不规则形状以及不同形状的混合物，比如一个立方体和一个圆柱体，而不是两个立方体。她说:“我们必须了解所有个体的相互作用，但这种方法足够通用，我们将能够做到这一点。”

---

这项名为“由神经网络预测的相互作用加速的各向异性粒子的分子动力学模拟”的研究最近发表在《化学物理杂志》上，并入选了2024年JCP新兴研究者特别选集。它也出现在本期JCP的封面上。

Antonia Statt也是伊利诺斯州材料研究实验室、化学和生物分子工程系以及贝克曼高级科学与技术研究所的附属机构。

这项工作的其他贡献者包括B. ruen argn(伊利诺伊机械工程系)和Yu Fu(伊利诺伊物理系)。

这项研究是由分子制造实验室研究所(MMLI)资助的，这是一个由美国国家科学基金会支持的人工智能研究所项目。