.png){kind=icon}
返回
Scalable data-driven basis selection for linear machine learning interatomic potentials
.png){kind=icon}
PRE
AI
DOI：10.1088/2632-2153/ae49e2.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提供了一种准确高效地建模原子相互作用的有效方法，扩展了原子模拟在复杂系统中的能力。然而，先验特征选择导致高复杂度，这既可能损害计算成本，又可能影响泛化能力，从而导致需要调整超参数。我们展示了主动集算法在自动化数据驱动特征选择中的优势。所提出的方法在原子簇展开（ACE）框架内实现。在多种基准数据集上进行的计算测试表明，稀疏ACE模型在计算效率、泛化准确性和可解释性方面始终优于密集ACE模型。所提出算法的附加优势在于，它们能生成具有不同成本/精度比的一系列模型。
Keyword:
data driven interatomic potentials
automated model selection
atomistic modeling
期刊
M
IF:
4.6
论文数:
1.1K
被引数:
3.6K
机构
引用论文
Crystal Graph Convolutional Neural Networks for an Accurate and Interpretable Prediction of Material Properties晶体图卷积神经网络用于准确和可解释的材料特性预测
OAAI
OAAI分享收藏Machine Learning a General-Purpose Interatomic Potential for Silicon机器学习硅的通用原子间潜力.png)
PHYSICAL REVIEW XOAAI
PHYSICAL REVIEW XIF15.7
OAAI分享收藏Moment Tensor Potentials: A Class of Systematically Improvable Interatomic Potentials力矩张量势：一类可系统性改进的原子间势函数OAAI
OAAI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Learning properties of ordered and disordered materials from multi-fidelity data从多保真度数据中学习有序和无序材料的属性OAAI
OAAI分享收藏
分享收藏
查看更多内容