用于鞍点计算的主动学习
机器学习
2022-11-08 v2 机器学习
摘要
在计算化学领域，鞍点（SP）计算对于计算密集型能量函数是一项重大挑战，其中鞍点可能代表过渡态（TS）。传统方法需要在大量位置评估能量函数的梯度。为了减少真实梯度昂贵计算的数量，我们提出了一种主动学习框架，包括用于能量函数的统计代理模型高斯过程回归（GPR），以及用于鞍型过渡态的单行走者动力学方法——缓和上升动力学（GAD）。鞍点通过对应用于梯度向量和 Hessian 矩阵的 GPR 代理应用 GAD 来检测。我们提高效率的关键要素是一种主动学习方法，它顺序设计最具信息量的位置，并在这些位置对原始模型进行评估以训练 GPR。我们将此主动学习任务表述为最优实验设计问题，并提出了一种非常高效的基于样本的次优准则来构建最优位置。我们表明，新方法显著减少了原始模型所需的能量或力评估次数。
引用
@article{arxiv.2108.04698,
title = {Active Learning for Saddle Point Calculation},
author = {Shuting Gu and Hongqiao Wang and Xiang Zhou},
journal= {arXiv preprint arXiv:2108.04698},
year = {2022}
}
备注
27 pages