关于各种机器学习交互潜力的数据集可移植性的调查,用于铁粉粘土的铁粉粘土

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:

• 神经网络潜力 (NNP) 越来越多地用于模拟材料特性.
• 准确的描述器对于捕捉高维机器学习交互潜力 (MLIP) 中的原子相互作用至关重要.
• 了解架构和描述符对NNP准确性的影响对于可靠的预测至关重要.

研究的目的:

• 调查架构和描述符对MLIP准确性的影响.
• 将不同MLIP的性能与参考计算进行比较.
• 评估后期增加分散校正的影响.

主要方法:

• 开发和训练了四个MLIP,使用以原子为中心的对称函数,具有不同的描述符 (嵌入,注意力面具,消息传递).
• 根据代表性数据集验证了MLIP,并与PBE-D3参考结果进行了比较.
• 后期将Grimme的D3分散校正应用于PBE数据训练的MLIP.

主要成果:

• 所有研究的MLIP都准确地复制了PBE-D3的能量和力量,无论描述符的选择如何.
• 在不同的MLIP中观察到结构参数,脱皮能量和振动光谱的准确性相似.
• 后期D3校正提高了弹性和剥皮能量的精度,并提高了稳定性.

结论:

• 构建一个具有代表性的数据集对于在MLIP中实现所需的准确性至关重要.
• 经过适当数据的训练,MLIP可以可靠地预测各种材料特性.
• 后期分散校正是一种有效的策略,可以提高特定属性的MLIP精度.