Entrenamiento de multi-fidelidad de datos para potenciales interatómicos de aprendizaje automático de alta fidelidad

Área de la Ciencia:

• Ciencias de los materiales computacionales
• Aprendizaje automático en química
• Mecánica Cuántica

Sus antecedentes:

• Los potenciales interatómicos de aprendizaje automático (MLIP) estiman las superficies de energía potencial (PES) a partir de cálculos ab initio, ofreciendo una precisión casi cuántica a un costo computacional más bajo.
• Las bases de datos de alta fidelidad son cruciales para la precisión de MLIP, pero son costosas de crear, lo que limita su aplicación a los sistemas que necesitan una alta precisión química.

Objetivo del estudio:

• Desarrollar un marco MLIP capaz de proporcionar formación simultánea en bases de datos de fidelidad múltiple.
• Permitir el aprendizaje preciso de PES de alta fidelidad utilizando datos mínimos de alta fidelidad aprovechando datos de baja fidelidad.

Principales métodos:

• Utilizó una red neuronal de gráficos equivalentes para el marco MLIP.
• Se empleó un enfoque de entrenamiento de multifidelidad utilizando la aproximación de gradiente generalizada (GGA) como datos de baja fidelidad y meta-GGA como datos de alta fidelidad.
• Se ha probado el marco en los sistemas Li₆PS₅Cl e In_Ga1-N.

Principales resultados:

• Se obtiene una precisión excelente con solo un 10% de datos de alta fidelidad en comparación con el conjunto de baja fidelidad.
• Se ha demostrado una alta precisión en las predicciones de conductividad de iones de litio (con un error del 10%) y en la energía de mezcla de Ga1-N (R2 de 0,98).
• Demostró que los datos de GGA de baja fidelidad inferen efectivamente información de espacios de alta fidelidad descubiertos, mejorando la precisión y la estabilidad de la dinámica molecular.

Conclusiones:

• El marco de aprendizaje de multifidelidad mejora significativamente el rendimiento de MLIP para tareas de alta precisión, superando el aprendizaje de transferencia y el aprendizaje Δ.
• La metodología es versátil, aplicable a varios sistemas y puede extenderse a niveles de fidelidad más altos, incluido el clúster acoplado.
• Este enfoque promete el desarrollo de MLIPs altamente precisos, personalizados o universales mediante la expansión eficiente de conjuntos de datos de alta fidelidad.