.png){kind=icon}
返回
Active Δ-learning with universal potentials for global structure optimization
.png){kind=icon}
PRE
AI
DOI：10.1039/D5CP04302F.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
通用机器学习原子间势（uMLIPs）最近已被提出并显示出良好的泛化能力。当应用于样本外数据时，进一步收集数据以改进uMLIPs可能需要；然而，当预期的MLIPs用途为全局优化时，数据获取可以遵循主动学习方案，其中逐步更新的uMLIP指导新结构的发现，这些结构随后在密度泛函理论（DFT）水平上被评估。在该方案中，我们使用基于这些新数据的Δ-模型、局部SOAP描述符、高斯核和稀疏高斯过程回归模型来增强基础模型。我们将该方法的有效性与不同的全局优化算法进行比较，包括随机结构搜索、盆地跳跃、具有竞争候选的贝叶斯方法（GOFEE）以及重像交换表述（REX）。我们进一步比较了多种基础模型，包括CHGNet、MACE-MP0和MACE-MPA。测试体系为银-硫簇和硫诱导的Ag(111)和Ag(100)表面的重构。根据识别全局极小值的保真度判断，基于GPR的Δ-模型的主动学习似乎是一种稳健的方法。根据所花费的总CPU时间判断，REX方法脱颖而出，成为最高效的方法。
