Moleküler dinamik simülasyonları, bilim insanlarının atomik seviyede madde davranışını anlamalarına yardımcı olan kritik araçlardır. Ancak geleneksel yöntemler önemli sınırlamalara sahiptir: ab initio moleküler dinamik yöntemler son derece doğru sonuçlar verse de hesaplama açısından çok ağırdır, ampirik kuvvet alanı yöntemleri ise hızlı olmasına rağmen fiziksel doğruluğu düşüktür.
Yeni geliştirilen PDMD (Potential-free Data-driven Molecular Dynamics) sistemi bu soruna çözüm getiriyor. Sistem, Gaussian tabanlı atomik geometri tanımlayıcıları kullanarak yüksek boyutlu özellikler üretiyor ve ChemGNN adlı özel bir grafik sinir ağı modeli ile atomik kimyasal çevreleri önceden tanımlanmış bilgi gerektirmeden öğreniyor.
Özellikle su molekülleri üzerinde test edilen sistem, herhangi bir boyuttaki su kümesinin davranışını tahmin edebiliyor. İteratif öz-tutarlı eğitim yaklaşımı sayesinde sistem, enerji tahminlerinde atom başına sadece 1,39 meV, kuvvet tahminlerinde ise angström başına 50,7 meV hata payına ulaşıyor.
Bu başarı, teknolojinin mevcut en gelişmiş DeepMD sisteminden yaklaşık 5 kat daha iyi performans gösterdiği anlamına geliyor. Linear ölçekleme özelliği sayesinde büyük sistemlerde bile verimli çalışabilen PDMD, malzeme bilimi, kimya ve biyoloji alanlarında simülasyon çalışmalarına yeni olanaklar sunuyor.