为了准确和稳固的数据驱动的多体潜能, permutationally Invariant Fourier 序列
Xuanyu Zhu1, Francesco Paesani1,2,3,4
1Department of Chemistry and Biochemistry, University of California, San Diego, La Jolla, California 92093, United States.
我们开发了一种使用变量不变的里埃序列 (PIFS) 的新方法,以防止机器学习潜力的非物理能量预测. 这提高了模拟稳定性和准确性,用于各种分子配置.
科学领域:
- 计算化学是一种计算化学.
- 材料科学是一种材料科学.
- 机器学习是机器学习.
背景情况:
- 机器学习潜能通常会在训练数据之外遭受非物理能量预测 ("洞"),破坏模拟的稳定性.
- 解决这些缺陷的现有方法,比如扩大培训套件,是低效和不那么基本的.
- 强大而准确的多体潜力对于在各种条件下进行分子模拟至关重要.
研究的目的:
- 引入一种新的方法来提高多体电位的数值稳定性和准确性.
- 为了应对机器学习潜力的非物理能量预测的挑战.
- 为基于物理的/机器学习的强大潜力开发一个总体框架.
主要方法:
- 在MB-nrg数据驱动的多体形式主义中,利用变量不变的里埃序列 (PIFS).
- 开发新的潜在能源功能 (PEF) 结合PIFS.
- 在气体和凝结相之间使用水进行新的MB-pol (PIFS) PEF的基准测试.
主要成果:
- 基于PIFS的MB-nrg形式主义显著提高了多体PEF的数值稳定性.
- 在不同阶段,MB-pol (PIFS) PEF保持了与MB-pol可比的高精度.
- PIFS方法确保了对更广泛的热力学条件进行物理上有意义的推断.
结论:
- PIFS为机器学习潜力的非物理能量预测提供了一个基本而有效的解决方案.
- 基于PIFS的MB-nrg形式主义为开发精确潜力提供了一个通用和强大的框架.
- 这种方法使得在不同的条件下能够进行更稳定,更可靠的分子模拟.
更多相关视频
10:03Proton Transfer and Protein Conformation Dynamics in Photosensitive Proteins by Time-resolved Step-scan Fourier-transform Infrared Spectroscopy
Published on: June 27, 2014
08:04Excitonic Hamiltonians for Calculating Optical Absorption Spectra and Optoelectronic Properties of Molecular Aggregates and Solids
Published on: May 27, 2020
相关概念视频
Trigonometric Fourier series
The trigonometric Fourier series specifically expresses a periodic function with a defined period T using sine...
Convergence of Fourier Series
The Gibbs phenomenon refers to the persistent oscillations and overshoots that occur near discontinuities...
Properties of Fourier series I
Properties of Fourier series II
A function f(t) is...
Exponential Fourier series
Euler's identity...
Continuous -time Fourier Transform
