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

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_{Ga_1-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.