.png){kind=icon}
返回
Atomic orbits in molecules and materials for improving machine learning force fields
.png){kind=icon}
PRE
AI
DOI：doi:10.1088/2632-2153/adea0b.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
原子在其环境中的精确表示构成了任何可靠机器学习力场（MLFF）的基石。尽管现代MLFF将同类型原子视为不可区分，但通过考虑其化学环境的组成，可以进一步解析它们的身份。这有助于改善化学多样性系统中MLFF模型的参数化。在本工作中，我们介绍了一种新颖的数据驱动方法，旨在寻找孤立和周期性系统中的排列对称性，提供关键见解以实现原子‘轨道’的识别——即在整个数据集中共享一致化学和结构环境的原子。我们通过将轨道表示纳入基于核的对称梯度域ML（sGDML）模型和等变消息传递神经网络MACE，展示了其有效性。对于在乙醇、1,8-萘啶、D-丙氨酸和D-组氨酸吸附于石墨烯上训练的sGDML，我们建立了力预测准确性与化学多样性（由轨道计数量化）之间的强相关性。Ac-Phe-Ala5-Lys分子的结果进一步强调了轨道在各类MLFF架构中力重构中的关键作用。将轨道纳入MACE使我们能够将模型尺寸减少一个数量级，同时保持预测精度，这在CsPbI3钙钛矿片和含吡啶-N缺陷的石墨烯中得到了证明。总体而言，我们的方法为使用最先进的MLFF建模复杂化学系统提供了可扩展且高效的解决方案。
Keyword:
machine learning force field
chemical environment
atomic orbits
permutation symmetry
kernel-based symmetric gradient-domain ML
期刊
M
IF:
4.6
论文数:
1.1K
被引数:
3.4K
机构
引用论文
Gaussian basis sets for accurate calculations on molecular systems in gas and condensed phases用于精确计算气相和凝聚相分子系统的高斯基集
OAAI
OAAI分享收藏Crash testing machine learning force fields for molecules, materials, and interfaces: model analysis in the TEA Challenge 2023碰撞测试机器学习力场在分子、材料和界面中的应用：TEA Challenge 2023中的模型分析.png)
CHEMICAL SCIENCEOAAI
CHEMICAL SCIENCEIF7.4
OAAI分享收藏E(3)-equivariant graph neural networks for data-efficient and accurate interatomic potentialsE(3)-等变图神经网络，用于数据高效和精确的原子间势NATURE COMMUNICATIONS
OAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏SpookyNet: Learning force fields with electronic degrees of freedom and nonlocal effectsSpookyNet: 学习具有电子自由度和非局部效应的力场NATURE COMMUNICATIONSOAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏Molecular Simulations with a Pretrained Neural Network and Universal Pairwise Force Fields具有预训练神经网络和通用成对力场的分子模拟OAAI
IF0
OAAI分享收藏DeePMD-kit: A deep learning package for many-body potential energy representation and molecular dynamicsDeepmd-kit: 用于多体势能表示和分子动力学的深度学习软件包OAAI
OAAI分享收藏Moment Tensor Potentials: A Class of Systematically Improvable Interatomic Potentials力矩张量势：一类可系统性改进的原子间势函数OAAI
OAAI分享收藏
查看更多内容