通过主动学习加速强非谐材料机器学习原子势的训练与可靠性
机器学习
2024-09-19 v1
摘要
分子动力学（MD）采用机器学习原子势（MLIPs）是高效且紧迫需求的补充，用于 ab initio 分子动力学（aiMD）。通过训练这些势，平均预测可在成本效益方面与 ab initio 方法相当。然而，充足的训练集可能导致强非谐材料动力学描述不当，因为关键效应在相关案例中可能被忽略，或仅被错误捕获，或由 MLIP 幻觉捕获而实际并不存在。本文展示，结合 MD 与 MLIPs（MLIP-MD）的主动学习方案以及不确定性估计可避免此类问题。简而言之，使用高效的 MLIP-MD 快速探索配置空间，采用基于不确定性估计和能量可行性的获取函数，以最大化新生成数据的价值，聚焦于相空间最不熟悉但合理可达的区域。为验证我们的方法，我们筛选了 112 种材料，识别出 10 种存在上述问题的材料。以 CuI 和 AgGaSe 为这些问题材料的典型代表，讨论了强非谐效应的物理意义，并演示了所发展的主动学习方案如何解决这些问题。
引用
@article{arxiv.2409.11807,
title = {Constraint Guided AutoEncoders for Joint Optimization of Condition Indicator Estimation and Anomaly Detection in Machine Condition Monitoring},
author = {Maarten Meire and Quinten Van Baelen and Ted Ooijevaar and Peter Karsmakers},
journal= {arXiv preprint arXiv:2409.11807},
year = {2024}
}
备注
32 pages, 7 figures, 4 tables