基于回归树集成主动学习弱束缚复合物势能面
化学物理
2021-10-27 v3
摘要
我们采用了若干基于池的主动学习算法（AL）以最少数量的电子结构计算来建模势能面（PESs）。理论与经验结果表明，通过采样对应预测中较大不确定性的分子结构、同时不与数据真实分布偏离过多的策略，可获得更优方法。为在 AL 框架下建模 PESs，我们提出使用随机森林查询的回归版本，这是一种混合方法，采样对应较大不确定性的点，同时避免从空间的稀疏区域收集过多点。该算法采用计算成本相对较小的决策树实现。我们经验性地表明，与基于不确定性的委员会查询算法相比，该算法仅需约一半数据即可收敛到相同精度。此外，该算法全自动，不需要任何 PES 的先验知识。对 \pyrrolew 的 6 维 PES 的模拟显示，少于 15\,000 个构型即足以构建泛化误差为 16~\invcm 的 PES，而最终约 50\,000 个构型的模型具有 11~\invcm 的泛化误差。
引用
@article{arxiv.2104.00708,
title = {Active learning of potential-energy surfaces of weakly-bound complexes with regression-tree ensembles},
author = {Yahya Saleh and Vishnu Sanjay and Armin Iske and Andrey Yachmenev and Jochen Küpper},
journal= {arXiv preprint arXiv:2104.00708},
year = {2021}
}