MLIPX: Exploración del potencial interatómico aprendido por máquina

Área de la Ciencia:

• Ciencias de los materiales computacionales
• Aprendizaje automático en física
• Desarrollo de software científico

Sus antecedentes:

• Los potenciales interatómicos de aprendizaje automático (MLIP) y los MLIP universales (uMLIP) están avanzando rápidamente, expandiendo su uso en simulaciones científicas.
• Los puntos de referencia actuales de la comunidad y las tablas de clasificación ofrecen información sobre el progreso, pero pueden dar lugar a predicciones poco fiables si se ignoran las limitaciones de MLIP.
• La selección del MLIP óptimo para una aplicación específica a menudo requiere ajuste fino o aprendizaje activo, aumentando el esfuerzo del usuario.

Objetivo del estudio:

• Abordar el desafío de seleccionar el MLIP más adecuado para diversas aplicaciones científicas.
• Desarrollar un marco centrado en el usuario (MLIPX) para evaluar y reevaluar los MLIP a medida que surjan nuevos modelos.
• Para reducir la sobrecarga computacional y analítica asociada con el uso de múltiples MLIP.

Principales métodos:

• Introducción del ecosistema MLIPX, un marco que incluye recetas de simulación reutilizables y versiones automatizadas de datos.
• Integración de herramientas de visualización comparativa, incluida la interfaz web de ZnDraw, para analizar el rendimiento de MLIP.
• Establecimiento del centro MLIPX para fomentar la contribución de la comunidad al desarrollo de nuevos casos de prueba y evaluaciones de MLIP.

Principales resultados:

• Demostración de la utilidad de MLIPX a través de ejemplos de casos de aplicación que comparan los principales MLIP universales.
• MLIPX permite a los usuarios crear y compartir conjuntos de pruebas específicos de la aplicación con herramientas de comparación interactivas.
• El marco proporciona un enfoque sistemático, reproducible y reutilizable para la evaluación de MLIP.

Conclusiones:

• MLIPX ofrece una solución integral para la evaluación efectiva de potenciales interatómicos aprendidos por máquina.
• El ecosistema reduce significativamente la barrera para que los usuarios seleccionen y apliquen con confianza los MLIP a su investigación.
• MLIPX fomenta la colaboración comunitaria, impulsando la mejora y el desarrollo continuos de MLIP y sus aplicaciones.