.png){kind=icon}
.png){kind=icon}
返回
Regularity priors for the linear atomic cluster expansion
.png){kind=icon}
OA
AI
DOI：10.1088/2632-2153/ae55fa.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使得大系统能够在近从头算精度下进行长时间尺度模拟。这种精度通过将极其灵活的模型架构拟合到高质量参考数据来实现。在实际中，这种灵活性可能导致不期望的行为，如锯齿状预测势能表面和通常较差的分布外行为。我们研究了一种将目标能量的正则性先验信念纳入线性原子团簇展开（ACE）模型的一般策略，并探索了该方法在多大程度上提高了拟合模型的质量。我们的主要关注点是过度正则化，该正则化在ACE框架内复制了用于原子位置平滑重叠描述符的Gaussian展宽。数值测试表明，先验的具体形式并不关键，但包含此类先验显著降低了测试误差，保持了一致排斥力，消除了势能中的伪假极小值，并在分子动力学模拟中增强了稳定性。
Keyword:
machine-learned interatomic potentials
linear atomic cluster expansion
regularity priors
potential energy surfaces
molecular dynamics simulations
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
M
IF:
0
论文数:
116
被引数:
0
查看更多机构