告诉机器学习潜力它们需要什么:以模拟为导向的训练以糖氨酸为例
Fuchun Ge1, Ran Wang1, Chen Qu2
1State Key Laboratory of Physical Chemistry of Solid Surfaces, College of Chemistry and Chemical Engineering, Fujian Provincial Key Laboratory of Theoretical and Computational Chemistry, and Innovation Laboratory for Sciences and Technologies of Energy Materials of Fujian Province (IKKEM), Xiamen University, Xiamen, Fujian 361005, China.
The journal of physical chemistry letters
|April 16, 2024
概括
机器学习潜力 (MLP) 显示模拟不准确,尽管测试错误很低. 一种新的以模拟为导向的方法提高了化学模拟的准确性,通过扩散蒙特卡洛验证.
科学领域:
- 计算化学计算化学
- 材料科学 材料科学 材料科学
- 化学物理 化学物理
背景情况:
- 机器学习潜力 (MLP) 在化学模拟中对有效的潜在能量表面 (PES) 表示至关重要.
- 对MLP的标准评估使用来自相同数据分布的测试集的根平均平方误差.
- 这些测试错误的可靠性用于预测模拟准确性通常是假定的,但没有严格验证.
研究的目的:
- 调查MLP的标准测试错误与他们在各种化学模拟任务中的实际性能之间的相关性.
- 开发和验证一个以模拟为导向的策略,以提高MLP准确性.
主要方法:
- 在不同模拟指标 (调节器能量,屏障,振动水平,ZPVE) 上对MLP性能进行系统调查.
- 开发一种可访问的,以模拟为重点的方法,以提高MLP质量.
- 使用扩散蒙特卡洛模拟来验证改进的MLP.
主要成果:
- 测试组错误并不总是对不同模拟属性的MLP准确性进行预测.
- 拟议的以模拟为导向的方法显著提高了MLP精度,特别是在相对对应器能量和反应障碍方面.
- 改进的MLP在严格的扩散蒙特卡罗模拟中显示出高精度.
结论:
- 对于MLP的标准测试错误指标可能会对模拟准确性产生误导.
- 面向模拟的方法对于开发化学动态的高可靠性MLP至关重要.
- 开发的方法为提高计算化学中的MLP可靠性提供了实际解决方案.
