具有自训练原子指纹的神经网络势：以 mW 水势为测试
软凝聚态物质
2023-03-22 v1 无序系统与神经网络
材料科学
摘要
我们提出一种基于一组新原子指纹的神经网络(NN)势，该指纹由分别探测距离与局域取向序的二体与三体贡献构建。与现有 NN 势相比，原子指纹依赖于一小组可调参数，这些参数与神经网络权重一同训练。为应对原子指纹参数与神经网络权重的同步训练，我们采用一种逐步循环学习率的退火方案，显著提升了 NN 势的精度。我们针对水的 mW 模型测试该网络势的性能，mW 是一个经典三体势，能很好捕捉液相的反常性质。仅在三个状态点训练下，该 NN 势能在极宽密度与温度范围内（从负压强至数 GPa）复现 mW 模型，捕捉从开放随机四面体网络到致密互穿网络的转变。该 NN 势还很好地复现了未显式训练的性质，如动力学性质与 mW 稳定晶相的结构。
引用
@article{arxiv.2301.11612,
title = {A neural network potential with self-trained atomic fingerprints: a test with the mW water potential},
author = {Francesco Guidarelli Mattioli and Francesco Sciortino and John Russo},
journal= {arXiv preprint arXiv:2301.11612},
year = {2023}
}
备注
14 pages, 11 figures