.png){kind=icon}
返回
MLIPX: machine-learned interatomic potential eXploration
.png){kind=icon}
PRE
AI
DOI：10.1088/1361-648X/ae0111.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
机器学习方法计算的原子间势能（MLIPs）的快速发展和通用机器学习势能（uMLIPs）的普及，显著扩展了其应用范围。社区基准测试和排行榜排名频繁更新，为整体进展提供了统计见解。然而，盲目地将排行榜上的高性能uMLIPs直接应用于实际场景，若不了解其局限性和注意事项，可能导致不可靠的预测。对uMLIPs进行微调或基于主动学习构建MLIPs，通常对于在实际数据集上获得合理预测是必要的。MLIP eXploration（MLIPX）生态系统采用以用户为中心的视角，解决以下问题：在给定的MLIPs列表中，我应该为我的特定应用选择哪一个？并随着新MLIP的出现无缝重新评估。MLIPX通过可重用的配方框架、自动数据版本控制以及集成的比较可视化工具实现这一目标，显著降低了设置和分析多个MLIPs结果的开销。我们展示了示例应用案例，用于比较不同的领先uMLIPs，展示了MLIPX的实用性。MLIPX软件使用户能够构建和分享针对特定应用的测试集配方，并通过ZnDraw网络界面提供强大的交互式比较工具。此外，我们介绍了MLIPX-hub，以促进社区参与，持续开发新的测试案例。我们的系统性框架MLIPX，提供了一个可重复且可重用的解决方案，拥有丰富的比较和可视化生态系统，满足了有效评估MLIPs所需的全面工具需求。
Keyword:
MLIP
testing framwork
MLIPX
interatomic potential
DVC
ZnDraw
ZnTrack
期刊
IF:
2.6
论文数:
589
被引数:
5.1W
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Data-Efficient Multifidelity Training for High-Fidelity Machine Learning Interatomic Potentials高保真机器学习原子间势的数据高效多保真度训练
PREAI
分享收藏Learning from models: high-dimensional analyses on the performance of machine learning interatomic potentials从模型中学习: 机器学习原子间势性能的高维分析
OAAI
OAAI分享收藏The ANI-1ccx and ANI-1x data sets, coupled-cluster and density functional theory properties for molecules分子的ANI-1ccx和ANI-1x数据集，耦合簇和密度泛函理论性质OAAI
OAAI分享收藏Experimental and Computational Synergistic Design of Cu and Fe Catalysts for the Reverse Water-Gas Shift: A Review用于反向水煤气变换的Cu和Fe催化剂的实验和计算协同设计: 综述ACS CATALYSIS
ACS CATALYSISIF13.1
PREAI
分享收藏Performance of two complementary machine-learned potentials in modelling chemically complex systems在化学复杂系统建模中两个互补的机器学习电位的性能OAAI
OAAI分享收藏
查看更多内容