通过转移学习和微调改进 SchNet 基于兴奋剂集群的结构预测

科学领域:

• 计算化学和材料科学.
• 机器学习在预测原子集群结构中的应用.

背景情况:

• 杂集群的电子和磁性特性可以通过异原子调节,这对于应用至关重要.
• 准确的结构预测对于理解杂集群中的结构属性关系至关重要.
• 现有的机器学习 (ML) 方法面临着对异质集群的数据需求和模型可移植性的挑战.

研究的目的:

• 开发一种高效的ML方法来预测化集群的全球最小结构.
• 解决预测异质集群结构中的数据和计算瓶.
• 为兴奋剂集群研究建立一个标准化的ML框架.

主要方法:

• 使用了SchNet模型,一个适合物理化学任务的框架.
• 通过冷神经网络层和微调以最小的数据进行集成转移学习.
• 构建了EuSi_n (n=3-12) 集群的数据集,使用DFT计算进行能量验证.
• 优化了ML模型用于预测EuSi_n集群的结构.

主要成果:

• 转移学习的ML模型准确地预测了EuSi_n (n=3-12) 集群的全球最小结构.
• 取得的结果与传统的密度函数理论计算一致.
• 与原来的SchNet模型相比,计算时间减少了54.09%,数据需求减少了88.89%.

结论:

• 拟议的方法克服了杂集群计算中的传统瓶.
• 在计算时间和数据要求方面都取得了显著的效率提升.
• 提供了一个新的范式,用于机器学习研究的兴奋剂集群.