微调全球神经网络潜力,以高精度进行全球潜能表面探索
Xin-Tian Xie1, Tong Guan1, Zheng-Xin Yang1
1State Key Laboratory of Porous Materials for Separation and Conversion, Collaborative Innovation Center of Chemistry for Energy Material, Shanghai Key Laboratory of Molecular Catalysis and Innovative Materials, Key Laboratory of Computational Physical Science, Department of Chemistry, Fudan University, Shanghai 200433, China.
Journal of chemical theory and computation
|March 19, 2025
概括
AtomFT是一个新的机器学习潜力 (MLP) 架构,可以准确地预测材料科学中的潜在能量表面 (PES). 这种方法在复杂的系统中实现了高精度,使材料特性能够更好地预测.
科学领域:
- 计算材料科学 计算材料科学
- 化学物理 化学物理
- 机器学习应用程序 机器学习应用程序
背景情况:
- 机器学习潜力 (MLP) 对探索全球潜在能量表面 (PES) 有价值.
- 在复杂的 PES 数据上实现高精度 (<1 meV/原子) 是确定材料属性的重大挑战.
- 现有的方法难以应对全球PES数据集的多样性和复杂性.
研究的目的:
- 开发一个轻量级,可微调的MLP架构 (AtomFT),用于准确的全球PES探索.
- 为了使目标系统PES的同时全球探索和高精度描述成为可能.
- 在常见的CPU平台上展示高效的训练和推理.
主要方法:
- 开发了AtomFT,一种轻量级的微调MLP架构.
- 使用预训练的多体功能纠正全球神经网络 (MBNN) 潜力作为基础.
- 从MBNN模型中代更新了原子特征,以产生微调能量贡献.
- 在CPU平台上实现了AtomFT,以实现高效的计算.
主要成果:
- 在训练和推理方面,AtomFT实现了高效率.
- 在具有挑战性的 PES 问题上表现出高性能,包括氧化物,分子反应和晶体.
- 在所有测试系统中,显著提高了 PES 预测准确度,低于 1 meV/原子.
结论:
- 原子FT为全球PES探索和预测提供了高效和准确的解决方案.
- 该方法成功地解决了对复杂系统的高精度PES描述的挑战.
- 在计算材料科学中,AtomFT具有广泛的适用性,用于预测热力学和动力学特性.
