Aprendizaje profundo evidencial para potenciales interatómicos

Área de la Ciencia:

• Química computacional
• Ciencia de materiales
• Aprendizaje automático

Sus antecedentes:

• Los potenciales interatómicos de aprendizaje automático (MLIPs) son cruciales para simulaciones moleculares a gran escala, ofreciendo precisión ab initio.
• El aprendizaje activo expande iterativamente los conjuntos de datos de entrenamiento utilizando la incertidumbre para identificar datos fuera de distribución.
• Los métodos actuales de cuantificación de incertidumbre (UQ) para MLIPs enfrentan desafíos con el gasto computacional o las compensaciones en la precisión de la predicción.

Objetivo del estudio:

• Desarrollar un marco novedoso de aprendizaje profundo evidencial para UQ en MLIPs.
• Lograr UQ precisa sin comprometer la eficiencia computacional o la precisión de la predicción.
• Proporcionar una alternativa robusta y eficiente para UQ en simulaciones moleculares.

Principales métodos:

• Se propone un marco de aprendizaje profundo evidencial para potenciales interatómicos.
• El marco incorpora un diseño inspirado en la física.
• La cuantificación de incertidumbre se integra directamente en el modelo de aprendizaje profundo.

Principales resultados:

• El método propuesto logra UQ con una sobrecarga computacional mínima.
• Se mantiene la precisión de la predicción, superando a los métodos UQ existentes en diversos conjuntos de datos.
• Se demostraron aplicaciones en la exploración de configuraciones atómicas para potenciales universales y de agua.

Conclusiones:

• El marco de aprendizaje profundo evidencial ofrece una solución UQ eficiente y precisa computacionalmente para MLIPs.
• Este enfoque mejora la confiabilidad de las simulaciones moleculares a gran escala.
• El método muestra un potencial significativo para avanzar en la simulación molecular y el descubrimiento de materiales.