构建纳米团簇的机器学习力场
计算物理
2018-07-11 v2
摘要
我们通过分析 2-body、3-body 和 many-body 核函数在一组 19 原子 Ni 团簇结构上的表现，评估了高斯过程（GP）回归作为金属纳米团簇原子间力建模技术的效果。我们发现，尽管 2-body GP 核函数在块体 Ni 系统中成功，却无法提供可靠的力估计。然而，即便在较小的训练数据集上，3-body 和 many-body 核函数都能以约 0.1 eV/Å 的平均误差预测力，并且即使在样本外、高温结构上也达到高精度。虽然在相同结构上训练与测试总能给出满意精度，但在不相似结构上的交叉测试会导致更高的预测误差，构成外推问题。这可通过在含多种结构的数据库上进行异质训练来解决，从而在通用性与整体精度间取得良好折衷。从以此方式训练的 3-body 核函数出发，我们基于新近发展的方案 [Glielmo 等, PRB 97, 184307 (2018)] 构建了高效的非参数 3-body 力场，可对有限温度下的结构性质进行准确预测。我们利用此方法以全第一性原理计算的一小部分代价评估了 Ni19 纳米团簇的热稳定性。
引用
@article{arxiv.1802.01417,
title = {Building machine learning force fields for nanoclusters},
author = {Claudio Zeni and Kevin Rossi and Aldo Glielmo and Ádám Fekete and Nicola Gaston and Francesca Baletto and Alessandro De Vita},
journal= {arXiv preprint arXiv:1802.01417},
year = {2018}
}
备注
14 pages, 14 figures