机器学习原子描述符与序参量讲述的是同一回事吗？以液态水为例
软凝聚态物质
2023-04-21 v1 生物物理
摘要
机器学习（ML）已成为分子模拟中的关键工具。在此背景下构建 ML 模型，涉及使用局部原子描述符来编码化学环境的信息。本工作中，我们聚焦于平滑重叠原子位置（SOAP）描述符及其在研究体相与疏水空气-水界面处液态水性质中的应用。通过使用一种旨在评估同一数据空间上不同距离度量相对信息量的统计检验，我们探究这些描述符是否提供与一些用于表征局部水结构（例如氢键、密度或四面体性等）的常用序参量相同的信息。我们的分析表明，ML 描述与局部水结构的标准序参量并不等价。特别地，探测局部水环境的这些序参量的组合只能近似预测 SOAP 相似性，反之亦然，根据 SOAP 相似的环境未必根据这些标准序参量相似。我们还阐明了 SOAP 定义中某些元参数在编码化学信息方面的作用。
引用
@article{arxiv.2211.16196,
title = {Do Machine-Learning Atomic Descriptors and Order Parameters Tell the Same Story? The Case of Liquid Water},
author = {Edward Danquah Donkor and Alessandro Laio and Ali Hassanali},
journal= {arXiv preprint arXiv:2211.16196},
year = {2023}
}