Malzeme bilimi ve kimyasal fizik alanında atomik ölçekte simülasyon yapmak, son yıllarda makine öğrenmesi tabanlı kuvvet alanlarının gelişmesiyle büyük bir ivme kazandı. Bu modeller, kuantum mekaniği hesaplamalarının yüksek maliyetini ortadan kaldırırken benzer bir doğruluk sunuyor. Ancak bu modelleri eğitmek için hâlâ binlerce atomik konfigürasyona ihtiyaç duyuluyor; bu da hesaplama süresini ve maliyetini artırıyor.
Bir araştırma ekibi, bu soruna tensör matematiğinden ilham alan zarif bir çözüm önerdi. Moment Tensör Potansiyeli (MTP), atomlar arasındaki etkileşimleri yüksek boyutlu tensörlerle temsil eden başarılı bir makine öğrenmesi modelidir. Araştırmacılar bu modeli 'tensör tren ayrıştırması' adı verilen bir sıkıştırma yöntemiyle yeniden yapılandırarak TFMTP adını verdikleri düşük ranklı bir versiyonunu geliştirdi.
Model, iki farklı ve zorlu atomik sistem üzerinde sınanmak üzere seçildi: Nükleer enerji uygulamalarında adı geçen LiF-NaF-KF (FLiNaK) erimiş tuz karışımı ile savunma ve uzay endüstrisinde ilgi gören MoNbTaWV yüksek entropili alaşımı. Her iki sistem de farklı element sayıları ve karmaşık etkileşimleriyle gerçek bir sınav niteliği taşıyor.
Sonuçlar dikkat çekici: 1,5 katlık model sıkıştırmasıyla TFMTP, orijinal MTP modelinin ihtiyaç duyduğu eğitim verisi miktarını yarıya indirerek aynı doğruluğa ulaştı. FLiNaK için 600-1200 Kelvin sıcaklık aralığında hesaplanan yoğunluk ve viskozite değerleri; MoNbTaWV için ise elastik sabitler ve hacimsel modül tahminleri iki model arasında ayırt edilemez düzeyde kaldı.
Bu çalışmanın pratik önemi büyük: Eğitim verisi oluşturmak, kuantum hesaplamalar gerektirdiğinden hem yavaş hem de pahalıdır. Veri ihtiyacını yarıya indirmek, yeni malzemelerin keşif sürecini ciddi ölçüde hızlandırabilir. Tensör sıkıştırma tekniklerinin atomistik modellemeye entegrasyonu, gelecekte daha verimli ve erişilebilir simülasyon araçlarının kapısını aralıyor.