E (((n) - 均等变量卡尔特斯张量信息传递原子间电位
Junjie Wang1, Yong Wang1,2, Haoting Zhang1
1National Laboratory of Solid State Microstructures, School of Physics and Collaborative Innovation Center of Advanced Microstructures, Nanjing University, Nanjing, 210093, China.
传递原子间潜力 (HotPP) 通过使用张量来获取更丰富的节点信息来提高机器学习潜力. 这种等价神经网络准确地预测了属性和光谱,为材料科学研究提供了强大的工具.
科学领域:
- 计算材料科学科学 计算材料科学
- 机器学习在物理学中的应用
- 量子化学 是一个量子化学.
背景情况:
- 机器学习潜力 (MLP) 越来越多地用于大系统的近似计算昂贵的第一原则计算.
- 传递信息的神经网络 (MPNNs) 显示出高精度,许多最近的模型基于笛卡尔坐标.
- 现有的MPNN通常将节点信息限制在标量和向量上,从而限制了它们的表示能力.
研究的目的:
- 为了引入高阶张量器消息传递原子间潜力 (HotPP),一个E(n) 等价的MPNN.
- 将节点嵌入和消息扩展到任意顺序张量器,以增强信息表示.
- 为了能够直接预测高阶张量属性,如双极时刻和极化性.
主要方法:
- 开发了一个E (n) 等价消息传递神经网络架构,HotPP.
- 纳入了节点嵌入和消息的任意顺序张量.
- 使用基本等价运算对高阶张量进行配对.
- 应用HotPP来预测目标属性并计算各种光谱.
主要成果:
- 在多个数据集中预测目标属性时,HotPP实现了高准确度.
- 该模型成功计算了声子光谱,红外光谱和拉曼光谱.
- 热PP展示了直接预测高阶张量的能力,而无需进行架构修改.
结论:
- 通过利用高阶张量表示,HotPP在MLP中提供了显著的进步.
- 该模型的多功能性扩展到预测分子性质和光谱数据.
- 热PP显示出巨大的潜力,作为一个多功能工具,用于未来的研究在计算材料科学和化学.
更多相关视频
08:54Vibrational Spectra of a N719-Chromophore/Titania Interface from Empirical-Potential Molecular-Dynamics Simulation, Solvated by a Room Temperature Ionic Liquid
Published on: January 25, 2020
12:11Computation of Atmospheric Concentrations of Molecular Clusters from ab initio Thermochemistry
Published on: April 8, 2020
相关概念视频
Thermodynamic Potentials
Force and Potential Energy in One Dimension
Interpreting ¹H NMR Signal Splitting: The (n + 1) Rule
Symmetry in Maxwell's Equations
Cartesian Form for Vector Formulation
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...
