在古典密度函数理论中,基于物理的贝叶斯对外部潜力的推理
Antonio Malpica-Morales1, Peter Yatsyshin1,2, Miguel A Durán-Olivencia1,3
1Department of Chemical Engineering, Imperial College, London SW7 2AZ, United Kingdom.
本研究介绍了一种机器学习框架,用于推断统计力学中的外部潜力. 贝叶斯方法准确地重建潜力和密度配置文件,为吸附和湿等应用量化不确定性.
科学领域:
- 统计力学 统计力学
- 机器学习 机器学习
- 计算物理 计算物理
背景情况:
- 机器学习 (ML) 正在迅速发展,吸引了统计力学和经典密度函数理论 (DFT) 的兴趣.
- 经典的DFT使用外部潜力来影响多粒子系统并确定平衡密度配置文件.
- 在DFT中自动发现自由能函数是ML解决的一个关键挑战.
研究的目的:
- 开发一个统计学学习框架来推断作用于古典多粒子系统的外部潜力.
- 将贝叶斯推理与经典的DFT结合起来,用于重建外部潜力并量化它们的不确定性.
- 验证框架在预测系统密度配置文件方面的准确性.
主要方法:
- 贝叶斯推理方法与经典的DFT相结合.
- 蒙特卡洛 (MC) 模拟通过将外部潜力应用于1D经典粒子组合来生成训练数据.
- 该框架从通过MC模拟获得的粒子坐标推断出外部潜力.
主要成果:
- 拟议的框架准确地推断出外部潜力和平衡密度概况.
- 实现了推断的外部潜力的不确定性量化.
- 性能与使用真实外部潜力计算的确切密度配置文件进行基准测试.
结论:
- 贝叶斯统计学习框架有效地重建了古典DFT中的外部潜力和密度配置文件.
- 该方法提供了关键的不确定性量化,取决于模拟数据的数量.
- 这项工作是各种应用的原型,包括吸附,湿和毛细血管现象.
更多相关视频
08:04Excitonic Hamiltonians for Calculating Optical Absorption Spectra and Optoelectronic Properties of Molecular Aggregates and Solids
Published on: May 27, 2020
09:17Structure-Based Simulation and Sampling of Transcription Factor Protein Movements along DNA from Atomic-Scale Stepping to Coarse-Grained Diffusion
Published on: March 1, 2022
相关概念视频
The Quantum-Mechanical Model of an Atom
The Uncertainty Principle
Thermodynamic Potentials
Potential Due to a Polarized Object
MO Theory and Covalent Bonding
The Pauli Exclusion Principle
