Cluster-based Bayesian optimization for application-specific interatomic potential training

doi:10.1016/j.commatsci.2026.114943

Cluster-based Bayesian optimization for application-specific interatomic potential training

2026-08-04

0

PRE

AI

DOI：10.1016/j.commatsci.2026.114943

原文链接

原文求助

摘要

En 中文

尽管在开发通用（基础）原子间势能方面取得了显著进展，但这些模型通常因使用过于通用的训练集而过于计算昂贵，或无法满足特定应用所需的精度。因此，持续存在对“定制”势能拟合的需求——针对特定化学空间区域，按案例训练快速且专业的模型。本文提出了一种多级优化算法，利用基于聚类的训练高效学习最优信息量的训练数据权重，同时优化模型超参数并保持可迁移性。我们通过基于现有碳数据集训练定制SNAP模型来展示此方法，结果表明，当训练集被最优加权以选择最具信息量的训练点时，相比在全数据集上训练的基线模型，力常数和径向分布函数的预测精度提高了数量级。我们比较了HDBSCAN和k-means在聚类中的表现，使用bispectrum描述符、自动编码器嵌入和预训练原子间势能嵌入，发现HDBSCAN在结合与推理阶段使用的原子结构描述符（bispectrum或预训练模型嵌入）匹配时表现良好。最后，我们通过使用该方法拟合一种平衡力常数、径向分布函数预测精度及训练集力平均绝对误差的势能，证明了其在实际拟合场景中的可行性。

Keyword:

Interatomic potential

Fine-tuning

Clustering

Cluster-based Bayesian optimization for application-specific interatomic potential training

摘要

期刊

机构

引用论文