基于 Hessian 的原子力评估用于训练机器学习原子间势
材料科学
2022-04-06 v1
摘要
近年来，引入了多种机器学习势（MLPs），能够以接近第一性原理的精度表示高维势能面（PES）。当前多数 MLPs 依赖于作为局部化学环境函数的原子能量贡献。除总能量外，常还利用原子力来构建势函数，因其提供关于 PES 的详细局部信息。由于许多体系过大而无法进行电子结构计算，从较小子系统（如分子碎片或团簇）获取可靠参考力可大幅简化训练集的构建。在此，我们提出一种基于 Hessian 分析确定提供可靠原子力的结构收敛分子碎片的方法。该方法作为局域性检验并允许估计长程相互作用的重要性，并以一系列分子模型体系及金属有机框架 MOF-5（作为复杂有机-无机杂化材料示例）加以说明。
引用
@article{arxiv.2112.14533,
title = {A Hessian-Based Assessment of Atomic Forces for Training Machine Learning Interatomic Potentials},
author = {Marius Herbold and Jörg Behler},
journal= {arXiv preprint arXiv:2112.14533},
year = {2022}
}
备注
15 pages, 13 figures excluding the supporting information, submitted to JCP