好的机器学习算法是强大的研究加速器。将它与计算机模拟相结合，它可以通过程序找出数学捷径，推动科学家更快地洞察药物对细胞的影响，或火箭发动机将人类送上火星及更远地方的潜力。

新的研究将这一工具交到了世界各地科学家的手中。在最近发表在《npj计算材料》上的一篇论文中，来自桑迪亚国家实验室和布朗大学的研究人员团队介绍了一种加速几乎任何类型模拟的通用方法。

“从用户的角度来看，运行模拟工具和运行这种加速模拟工具没有区别。它们给出的预测完全相同。区别在于获得这些结果需要多少时间，”桑迪亚国家的R&ute;miDingreville说。

Dingreville和他的团队使用他们的加速器以比正常情况下快16倍的速度运行了材料科学模拟。更重要的是，他们在论文中概述了它如何同样轻松地加速用于气候变化研究、自动驾驶汽车导航或硬件加速的计算机程序。

论文第一作者、布朗大学的维韦克·乌曼(VivekOommen)表示：“将我们的方法推广到不同的系统可能会带来更高效、更可持续的技术。”

加速器让快速科学变得民主化

小时候，丁格维尔喜欢快速骑行。他骑自行车、滑雪和跑步都很快。他甚至参加比赛，力争成为第一个完成作业的人。现在，作为一名科学家，他使用机器学习来加快研究速度。在之前的一个项目中，他重新设计了一个模拟程序，使其运行速度提高了40,000倍。

虽然16倍的加速似乎微不足道，但Dingreville和团队强调，他们的最新成果可能会产生更大的影响，因为它几乎惠及所有科学领域。它并不像其他加速器那样局限于特定类型的问题。

“物理学、化学、地球化学、天气预报——其实都不重要，”丁格雷维尔说。

该团队认为，其论文对研究人员提出了一个挑战，要求他们从根本上重新思考如何设计和使用模拟。

“我对将传统数值方法与人工智能相结合以解决材料科学中的复杂问题所带来的挑战和潜力深感兴趣，”Oommen说。

更快速的模拟带来新的研究机会

模拟加速器不仅为常规研究节省了时间和金钱，还消除了研究通常无法模拟的现象的障碍。尝试模拟缓慢展开的事件(如冰川融化)，您的程序可能会花费太长时间而无法使用。

“目前最先进的方法是使用这些直接数值求解器。尽管它们很准确，但速度很慢，”丁格维尔说。

研究团队希望这项研究能够为科学家们提供一种现代的、常见的方法，让他们能够快速完成通常缓慢的模拟。

“展望未来，我渴望看到我们的方法如何应用于各个领域的其他挑战性问题，例如能源、生物技术和环境科学，”Oommen说道。

丁格雷维尔补充道：“我很乐意看到这项技术在地球科学领域的应用。”