基于神经网络贝叶斯算法执行的高效 nudged elastic band 方法
材料科学
2025-12-18 v1 机器学习
摘要
在催化剂和生物分子设计等科学任务中，发现介于两个不稳定状态之间的最小能量路径(MEP)至关重要。然而，标准的 nudged elastic band(NEB)算法需要进行数百至数十万次计算密集型仿真，在复杂系统上的应用成本极高。我们引入了 Neural Network Bayesian Algorithm Execution(NN-BAX)，一种学习能量景观和MEP的框架。NN-BAX顺序式微调基础模型，通过主动选择样本以针对性地提高MEP。我们在 Lennard-Jones 和 Embedded Atom Method 系统上进行测试，本方法在能量和力评估方面实现了数量级的降低，同时在MEP准确性方面几乎没有损失，并演示了其对>100维系统的可扩展性。因此，本工作是实现在科学相关系统中突破MEP发现计算障碍的有前景的一步，表明以最少的准确性损失，可能在小时或天数内完成原本需要数周的计算。
引用
@article{arxiv.2512.14993,
title = {Efficient Nudged Elastic Band Method using Neural Network Bayesian Algorithm Execution},
author = {Pranav Kakhandiki and Sathya Chitturi and Daniel Ratner and Sean Gasiorowski},
journal= {arXiv preprint arXiv:2512.14993},
year = {2025}
}
备注
21 pages, 12 figures