利用分子动力学模拟输出作为软标签设计机器学习代理模型

分子动力学模拟是提取表征软物质性质的微观机制的强大工具。我们近期引入了用于软物质分子动力学模拟的机器学习代理模型，并证明基于人工神经网络的回归模型能够成功预测输入材料属性与模拟输出之间的关系。在此，我们展示与分子动力学模拟输出相关的统计不确定性可用于训练人工神经网络，并设计具有更高精度与泛化能力的机器学习代理模型。我们通过将估计平均输出量中的不确定性纳入，为模拟输出设计软标签，并引入一种改进的损失函数，在训练期间利用这些软标签显著减小未见测试数据中输入系统的代理预测误差。该方法通过为受限电解质分子动力学模拟设计代理模型加以说明，以预测输入电解质属性与输出离子结构之间的复杂关系。代理模型对离子密度分布的预测与利用分子动力学模拟得到的真值结果高度吻合。代理预测的高精度与短推断时间提供了对由数密度分布导出量的快速获取，并促进了灵敏性分析的快速进行。