用于精确机器学习预测原子化能的键型受限径向分布函数
化学物理
2018-07-30 v1
摘要
理解机器学习算法的性能对于设计更准确高效的统计模型至关重要。神经网络的推理过程并非总能被揭示。在此，我们提出一种通过将原子属性加权径向分布函数（AP-RDF）描述符与高斯核相结合，以封闭解析形式计算机器学习核的方法。这使我们能够分析并改进 Bag-of-Bonds 描述符的性能，当 AP-RDF 中纳入键型限制时。该改进在分子原子化能预测中得以实现，归因于将张量积引入核中，从而捕获了 AP-RDF 的多维表示。另一方面，AP-RDF 的数值版本是定长描述符，且比 Bag-of-Bonds 计算效率更高。我们还讨论了分子量子相似性与具有第一性原理类描述符的机器学习核之间的联系。
引用
@article{arxiv.1807.10301,
title = {Bond type restricted radial distribution functions for accurate machine learning prediction of atomization energies},
author = {Mykhaylo Krykunov and Tom K. Woo},
journal= {arXiv preprint arXiv:1807.10301},
year = {2018}
}