对机器学习中常用各类指纹结构分辨能力的评估
计算物理
2020-09-18 v1 材料科学
摘要
原子环境指纹在计算材料科学中被广泛使用，从机器学习势到原子构型间相似度的量化。人们已提出许多构建此类指纹（亦称结构描述符）的方法。本工作中，我们在多个方面比较了基于重叠矩阵(OM)、原子位置平滑重叠(SOAP)、Behler-Parrinello原子中心对称函数(ACSF)、ANI-1ccx势中使用的改进Behler-Parrinello对称函数(MBSF)以及Faber-Christensen-Huang-Lilienfeld(FCHL)指纹的性能。我们研究它们分辨局域环境差异的能力，并特别考察是否存在使指纹完全或近乎不变的特殊原子运动。为此，我们引入一个灵敏度矩阵，其特征值量化原子位移模态对指纹的影响。进一步，我们检验这些位移是否与局域物理量（如力）的变化相关。最后，我们将考察扩展至由原子指纹得到的分子指纹与整个分子的全局量之间的相关性。
引用
@article{arxiv.2008.03189,
title = {An assessment of the structural resolution of various fingerprints commonly used in machine learning},
author = {Behnam Parsaeifard and Deb Sankar De and Anders S. Christensen and Felix A. Faber and Emir Kocer and Sandip De and Joerg Behler and Anatole von Lilienfeld and Stefan Goedecker},
journal= {arXiv preprint arXiv:2008.03189},
year = {2020}
}
备注
18 pages, 11 figures