集群图指纹:机器学习原子间模型训练和模拟数据定量分析的框架

科学领域:

• 计算材料科学科学 计算材料科学
• 机器学习在化学和物理领域

背景情况:

• 机器学习的原子间模型 (ML-IAMs) 显著提升了模拟能力,使得在前所未有的规模上进行预测.
• 基于数据的ML-IAM引入了检测微妙错误的挑战,可能会损害预测准确性.

研究的目的:

• 引入一种新的指纹采集方法,以便对ML-IAM培训和应用数据进行可靠的分析.
• 为了能够在ML-IAM工作流程中对系统配置进行有效和统计严格的评估.

主要方法:

• 使用切比舍夫交互模型进行高效仿真 (ChIMES) 的基于图形的描述器的开发.
• 实施指纹策略,用于分析ML-IAM中的系统配置.
• 应用该方法来评估配置的新性和不相似性.

主要成果:

• 基于ChIMES的指纹提供了对ML-IAM数据的高效和统计学上合理的分析.
• 在对现有数据集进行配置新性评估时证明有效.
• 成功确定了个别配置之间的不相似性,以改进数据管理.

结论:

• 新型指纹方法解决了ML-IAM准确性和可靠性的关键挑战.
• 这种方法对于增强ML-IAM应用中的主动学习,数据策划和不确定性量化至关重要.
• 促进在科学研究中更可靠,更有效地使用先进的模拟技术.