自动生长全局反应型神经网络势能面：一种无轨迹主动学习策略
化学物理
2020-05-20 v1 计算物理
摘要
本文提出一种高效且无轨迹的主动学习方法，用于自动采样数据点，以利用神经网络（NNs）构建全局精确的反应型势能面（PESs）。尽管神经网络不能像高斯过程回归那样提供预测方差，但我们可以转而最小化由两个不同 NN 模型给出的平方差曲面（NSDS）的负值，以主动定位 PES 最不确定的点。可将此 NSDS 极小值处的一批点迭代地加入训练集以改进 PES。构型空间被逐步且全局地覆盖，无需运行经典轨迹（或等价的分子动力学）模拟。通过对 H3 和 OH3 反应体系已有的解析 PES 进行重新拟合，我们证明了这一新策略的效率和鲁棒性，其能在量子散射概率方面随点数快速收敛反应型 PESs。
引用
@article{arxiv.2002.05912,
title = {Automatically growing global reactive neural network potential energy surfaces: a trajectory free active learning strategy},
author = {Qidong Lin and Yaolong Zhang and Bin Zhao and Bin Jiang},
journal= {arXiv preprint arXiv:2002.05912},
year = {2020}
}