.png){kind=icon}
返回
Learning Pairwise Interaction for Extrapolative and Interpretable Machine Learning Interatomic Potentials with Physics-Informed Neural Network
.png){kind=icon}
PRE
AI
DOI：10.1021/acs.jctc.5c00090.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在原子模拟的机器学习原子间势能（ML-IPs）中同时实现鲁棒的外推能力和物理可解释性仍然是一个重大挑战，尤其是在化学反应或极端条件下复杂、多组分材料等数据稀疏领域。在此，我们提出了一种成对分解的物理信息神经网络（P2Net），其通过参数化一个解析键序势（BOP）层来解耦原子对的能量贡献。通过利用基本的物理原理，P2Net在超越其训练范围时表现出卓越的外推能力，并能精确捕捉远离平衡态的分子几何构型。成对能量分解进一步增强了脱质子化和SN2反应的键分析能力，而大多数ML-IPs难以实现这一点。原子对能量揭示了如何阐明反应过程中原子间相互作用的演变。我们的方法突出了构建ML-IPs的数据效率提升，并促进了更具信息量的后模拟分析，从而扩展了ML-IPs在复杂和反应性系统中的应用范围。
期刊
IF:
5.5
论文数:
1.1W
被引数:
5.4W
机构
暂无机构信息
引用论文
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.png)
NATURE COMMUNICATIONS
OAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏
Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations物理信息神经网络: 一种用于解决涉及非线性偏微分方程的正反问题的深度学习框架OAAI
OAAI分享收藏The ReaxFF reactive force-field: development, applications and future directionsReaxFF反应力场: 发展、应用和未来方向OAAI
OAAI分享收藏分享收藏Atom-centered symmetry functions for constructing high-dimensional neural network potentials以原子为中心的对称函数构造高维神经网络势
PREAI
分享收藏分享收藏
查看更多内容