评估机器学习热力学微扰理论的精度：从密度泛函理论到更高层次
材料科学
2021-10-14 v1
摘要
机器学习热力学微扰理论（MLPT）是一种很有前景的方法，用于在需要比较若干不同层次的 ab initio 理论和/或应用极高计算成本方法时计算有限温度性质。事实上，从一条生产分子动力学轨迹出发，该方法仅利用少量额外的固定几何计算（用于训练机器学习模型）即可估计一个或多个目标理论层次下的性质。然而，由于 MLPT 基于热力学微扰理论（TPT），当起始点轨迹所采样的构型空间与目标近似的构型空间重叠较小时，可能产生不准确。通过考虑分子在沸石中吸附以及若干不同密度泛函理论近似的 case studies，我们在本工作中评估了 MLPT 对系综总能量和吸附焓的精度。我们对发现的问题案例进行了分析，并表明即使不知道精确参考结果，也可通过考察一个衡量 TPT 重加权所引起统计不平衡的系数来检测 MLPT 的病理案例。对于最具病理性的例子，我们应用基于机器学习的蒙特卡洛（MLMC）重采样，在化学精度内恢复了目标层次结果。最后，基于本工作发展的思想，我们评估并确认了近期发表的随机相近似层次上基于 MLPT 的吸附焓的精度，其高计算成本将完全阻碍直接的分子动力学模拟。
引用
@article{arxiv.2110.06818,
title = {Assessing the Accuracy of Machine Learning Thermodynamic Perturbation Theory: Density Functional Theory and Beyond},
author = {Basile Herzog and Mauricio Chagas da Silva and Bastien Casier and Michael Badawi and Fabien Pascale and Tomas Bucko and Sebastien Lebegue and Dario Rocca},
journal= {arXiv preprint arXiv:2110.06818},
year = {2021}
}