用于等温等压分子动力学模拟的主动稀疏贝叶斯委员会机势
软凝聚态物质
2024-08-01 v3 材料科学
摘要
机器学习势 (MLPs) 的最新进展通过实现大规模第一性原理模拟，对化学、物理和生物学领域产生了重大影响。在不同的机器学习方法中，基于核的 MLPs 因其处理小数据集、量化不确定性和最小化过拟合的能力而脱颖而出。然而，它们广泛的计算需求带来了相当大的挑战。为了缓解这些问题，人们开发了稀疏化方法，旨在不牺牲精度的情况下降低计算标度。在等温和等压 ML 分子动力学 (MD) 模拟中，实现精确的压力估计对于重现恒压下可靠的系统行为至关重要。尽管取得了进展，稀疏核 MLPs 在精确压力预测方面仍存在困难。在此，我们引入了一种维里核函数，显著提高了 MLPs 的压力估计精度。此外，我们提出了主动稀疏贝叶斯委员会机 (BCM) 势，这是一种聚合局部稀疏高斯过程回归 (SGPR) MLPs 的即时 MLP 架构。稀疏 BCM 势克服了随核大小急剧增加的计算标度，并且对核大小的预定义限制允许快速高效的即时训练。我们的进展促进了跨越不同系统的精确且计算高效的机器学习增强 MD (MLMD) 模拟，包括冰-液共存相、\ce{Li10Ge(PS6)2} 锂固态电解质和高压液态氮化硼。
引用
@article{arxiv.2402.06256,
title = {Active Sparse Bayesian Committee Machine Potential for Isothermal-Isobaric Molecular Dynamics Simulations},
author = {Soohaeng Yoo Willow and Dong Geon Kim and R. Sundheep and Amir Hajibabaej and Kwang S. Kim and Chang Woo Myung},
journal= {arXiv preprint arXiv:2402.06256},
year = {2024}
}
备注
10 pages, 4 figures, 1 table, submitted to Journal