基于 Kolmogorov-Arnold 网络高效预测势能面与物理性质
计算物理
2024-09-06 v1 材料科学
摘要
机器学习方法在材料科学性质预测中的应用引起了广泛关注。在最近的进展中，Kolmogorov-Arnold 网络（KANs）已成为传统多层感知机（MLPs）的一种有前景的替代方案。本研究评估了在三个成熟的机器学习框架中用 KANs 替代 MLPs 的影响：Allegro、神经等变原子间势（NequIP）和基于边的张量预测图神经网络（ETGNN）。我们的结果表明，集成 KANs 通常能提高预测精度。具体而言，在输出块中用 KANs 替代 MLPs 会显著提高精度，并且在某些情况下还能减少训练时间。此外，仅在输出块中使用 KANs，相比于在整个模型中使用 KANs，能够实现更快的推理并提高计算效率。KANs 最优基函数的选择取决于所面临的具体问题。我们的结果证明了 KANs 在增强机器学习势和材料性质预测方面的巨大潜力。
引用
@article{arxiv.2409.03430,
title = {Efficient prediction of potential energy surface and physical properties with Kolmogorov-Arnold Networks},
author = {Rui Wang and Hongyu Yu and Yang Zhong and Hongjun Xiang},
journal= {arXiv preprint arXiv:2409.03430},
year = {2024}
}