从稀疏训练数据主动学习水团簇的粗粒化能量景观
计算物理
2019-11-05 v2 无序系统与神经网络
材料科学
软凝聚态物质
摘要
目前人工神经网络（ANN）的训练通过生成大量（量级为 或更多）结构数据，以期网络已充分采样近平衡与远平衡的能量景观。然而，对于更精确的量子理论层级，这可能有些难以承受。因此，期望使用绝对最小可能的数据集来训练模型，尤其当 CCSD 与 QMC 等高保真计算代价高昂时。在此，我们提出一种主动学习（Active Learning）方法，迭代训练 ANN 模型，仅使用其训练数据中总共 426 个结构便忠实复现水团簇的粗粒化能量面。我们的主动学习工作流始于稀疏训练数据集，并通过蒙特卡洛方案持续更新，该方案稀疏查询能量景观并测试网络性能。接着，网络用包含上一轮失败构型/能量的更新训练集重新训练，直至收敛。训练完成后，我们生成约 100,000 个构型的广泛测试集，采样自 1 至 200 个分子的团簇，并证明训练网络相较于参考模型充分复现了能量（平均绝对误差（MAE）约 2 meV/分子）与力（MAE 约 40 meV/{\r{A}}）。更重要的是，训练得到的 ANN 模型还准确捕捉了结构以及作为不同团簇大小函数的自由能。总体而言，本研究报道了一种新的主动学习方案，为利用极稀疏训练数据集开发分子模拟的精确力场提供了有前景的策略。
引用
@article{arxiv.1909.11654,
title = {Active Learning the Coarse-Grained Energy Landscape For Water Clusters From Sparse Training Data},
author = {Troy D. Loeffler and Tarak K. Patra and Henry Chan and Mathew Cherukara and Subramanian K. R. S. Sankaranarayanan},
journal= {arXiv preprint arXiv:1909.11654},
year = {2019}
}