.png){kind=icon}
返回
Evidential deep learning for interatomic potentials
.png){kind=icon}
OA
AI
DOI：10.1038/s41467-025-67663-y.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
机器学习原子间势能已被广泛用于促进具有与从头算方法相当精度的大规模分子模拟。为确保模拟的可靠性，训练数据集通过主动学习进行迭代扩展，其中不确定性作为识别和收集分布外数据的关键指标。然而，现有的不确定性量化方法往往涉及昂贵的计算或牺牲预测精度。本文提出了一种用于原子间势能的证据深度学习框架，其设计灵感来自物理。我们的方法在无明显计算开销或预测精度下降的情况下提供不确定性量化，并在多种数据集上持续优于其他方法。此外，我们展示了其在探索多样化原子构型中的应用，包括水和通用势能的示例。这些结果表明，我们的方法可作为分子模拟中不确定性量化的一种稳健且高效的选择。作者介绍了一种用于机器学习原子间势能的证据深度学习框架，该框架能高效地提供稳健的不确定性量化，并展示了其在多样化原子系统中的有效性。
Keyword:
Evidential deep learning
Interatomic potentials
Uncertainty quantification
Molecular simulations
Active learning
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
15.7
论文数:
9.6W
被引数:
124.3W
机构
引用论文
A consistent and accurate ab initio parametrization of density functional dispersion correction (DFT-D) for the 94 elements H-Pu94元素h-pu的密度泛函色散校正 (dft-d) 的一致且精确的从头算参数化
PREAI
分享收藏Combining Machine Learning and Computational Chemistry for Predictive Insights Into Chemical Systems将机器学习和计算化学相结合，对化学系统进行预测洞察.png)
Chemical ReviewsOAAI
Chemical ReviewsIF55.8
OAAI分享收藏CHGNet as a pretrained universal neural network potential for charge-informed atomistic modellingCHGNet作为预训练的通用神经网络，具有用于电荷信息原子建模的潜力
OAAI
OAAI分享收藏DP-GEN: A concurrent learning platform for the generation of reliable deep learning based potential energy modelsDp-gen: 用于生成可靠的基于深度学习的势能模型的并发学习平台OAAI
OAAI分享收藏
查看更多内容