从机器学习惰性气体势中涌现出精确的原子能量

分子中的原子量子理论 (QTAIM) 提供了定义明确的局部原子能量。由于其局域性，这些能量在拟合原子机器学习模型方面具有潜在兴趣，因为它们提供了关于物理相关性质的信息。然而，在计算上，对于大系统而言，获得量子力学精度的局部能量 notoriously 困难。在此，我们表明，通过利用总能量不同分量之间的半经验相关性，我们可以以适中的成本获得定义明确的局部能量。我们采用这种方法来研究惰性液体或氩、氪及其混合物的能量学。我们没有使用这些局部能量来拟合原子模型，而是展示了仅基于总能量训练的机器学习模型能多好地复现这些局部能量。我们的调查结果表明，仅基于原子系统总能量训练的较小神经网络，比较大的网络更有可能忠实地复现底层的局部能量划分。此外，我们证明了更能进行这种能量分解的网络，反过来也能够迁移到以前未见过的系统。我们的结果是迈向理解神经网络能学习多少物理知识以及这些知识可以应用于何处的一步，特别是更好地理解物理如何有助于这些神经网络的可迁移性。