全面机器学习的性能评估 原子间潜力:材料表面的挑战和方向
Bruno Focassio1, Luis Paulo M Freitas1, Gabriel R Schleder1,2
1Brazilian Nanotechnology National Laboratory (LNNano/CNPEM), Campinas 13083-100, São Paulo, Brazil.
全球机器学习原子间潜力 (MLIPs) 在计算表面能量方面存在局限性. 对于专门的任务,建议对这些模型进行微调,强调需要更广泛的培训数据.
科学领域:
- 材料科学 材料科学 材料科学
- 计算化学计算化学
- 机器学习 机器学习
背景情况:
- 机器学习原子间潜力 (MLIP) 为材料模拟提供了高精度和计算效率之间的平衡.
- 先进的通用MLIP (UIP) 使用等值表示和深度图形神经网络,旨在在周期表中广泛应用.
- 目前的UIP主要是受过密度函数理论 (DFT) 计算散装材料的培训.
研究的目的:
- 评估现有的普遍MLIP (MACE,CHGNet,M3GNet) 计算表面能量的概括能力.
- 识别超出其初级培训数据的任务中,即时的基础模型的缺陷.
主要方法:
- 评估公开可用的通用MLIP (MACE,CHGNet,M3GNet) 的性能.
- 专注于计算表面能量的代表性概括任务.
- 分析了与训练数据的总能量和域外距离相关的错误.
主要成果:
- 现成的通用MLIP在计算表面能量时会出现重大错误.
- 模型错误与表面模拟的总能量相关.
- 性能问题源于模型与它们的批量材料中心培训数据集相比是域外的.
结论:
- 通用MLIP是通过微调来开发专门模型的有效起点.
- 扩大培训数据集以涵盖更广泛的材料配置对于真正的普遍性至关重要.
- 需要进一步开发,以提高MLIPs对各种材料系统和性能的预测能力.
更多相关视频
11:47Characterization of Surface Modifications by White Light Interferometry: Applications in Ion Sputtering, Laser Ablation, and Tribology Experiments
Published on: February 27, 2013
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
Intermolecular Forces
Predicting Molecular Geometry
Intermolecular Forces and Physical Properties
Atomic Force Microscopy
The AFM Probe
The probe is regarded as the heart of any AFM setup and comprises the...
Van der Waals Interactions
Intermolecular vs Intramolecular Forces
