不确定性驱动的动力学,用于积极学习原子间潜能
Maksim Kulichenko1, Kipton Barros2,3, Nicholas Lubbers4
1Theoretical Division, Los Alamos National Laboratory, Los Alamos, NM, USA. maxim@lanl.gov.
本研究介绍了主动学习的不确定性驱动动力学 (UDD-AL),这是一种新的方法,可以加速发现用于训练机器学习模型的关键数据. UDD-AL有效地探索复杂的化学空间,以进行更准确的模拟.
科学领域:
- 计算化学的计算化学
- 材料科学 材料科学 材料科学
- 机器学习 机器学习
背景情况:
- 在量子模拟上训练的机器学习 (ML) 模型产生精确的原子间电位.
- 积极学习 (AL) 通过选择基于ML模型不确定性的配置来代构建各种数据集.
研究的目的:
- 为快速发现可显著增强ML训练数据集的配置制定战略.
- 提高积极学习的效率,探索复杂的化学配置空间.
主要方法:
- 引入了积极学习的不确定性驱动动力学 (UDD-AL).
- 在分子动力学中修改了潜在能量表面,以优先考虑高模型不确定性的区域.
- 应用UDD-AL对样本中的甘氨酸构造和乙乙质子转移.
主要成果:
- UDD-AL有效地识别和样本配置,有意义地增强训练数据.
- 证明了对化学相关配置空间的有效探索.
- 与传统的动态方法相比,展示了更好的采样方法.
结论:
- UDD-AL加速了对ML潜力的高质量数据集的生成.
- 该方法可以有效地探索复杂的化学场景,包括那些无法通过标准模拟进行的化学场景.
- 在推进材料发现和化学过程模拟方面,UDD-AL具有前景.
更多相关视频
06:37Analyzing Melts and Fluids from Ab Initio Molecular Dynamics Simulations with the UMD Package
Published on: September 17, 2021
10:52Multiscale Sampling of a Heterogeneous Water/Metal Catalyst Interface using Density Functional Theory and Force-Field Molecular Dynamics
Published on: April 12, 2019
相关概念视频
The Uncertainty Principle
Thermodynamic Potentials
Entropy and Solvation
Force and Potential Energy in One Dimension
Equilibrium Conditions for a Particle
To understand the concept of equilibrium, let us first consider the forces acting on an object. When different forces act on an object, they can...
First Law: Particles in Two-dimensional Equilibrium
Newton's first law tells us about...
