用于模拟纳米硅酸盐团簇红外光谱的机器学习势
化学物理
2023-06-21 v1 星系天体物理
摘要
机器学习 (ML) 在化学物理中的使用使得构建具有 ab initio 方法精度且计算成本可与经典力场相比的原子间势成为可能。训练 ML 模型需要一种高效生成训练数据的方法。在此，我们应用一种准确高效的协议来收集训练数据，以构建基于神经网络的纳米硅酸盐团簇 ML 原子间势。初始训练数据取自简正模式和最远点采样。随后，通过主动学习策略扩展训练数据集，其中新数据由 ML 模型集成之间的不一致性识别。整个过程通过结构上的并行采样进一步加速。我们使用 ML 模型运行不同尺寸纳米硅酸盐团簇的分子动力学 (MD) 模拟，从中可提取包含非谐性的红外光谱。此类光谱数据对于理解星际介质 (ISM) 和星周环境中的硅酸盐尘埃颗粒性质是必需的。
引用
@article{arxiv.2305.15846,
title = {A machine learning potential for simulating infrared spectra of nanosilicate clusters},
author = {Zeyuan Tang and Stefan T. Bromley and Bjørk Hammer},
journal= {arXiv preprint arXiv:2305.15846},
year = {2023}
}
备注
11 pages, 8 figures, accpected by J. Chem. Phys