扩展原子分解与众多体表征：基于单体中心的化学动机机器学习势能方法
化学物理
2025-05-20 v1 无序系统与神经网络
原子与分子团簇
计算物理
摘要
目前最广泛使用的机器学习势能用于 condense phase 应用，主要依赖于众多体置换不变多项式(PIP)或原子中心神经网络(NN)。然而，这些方法常常在原子比能分解和传统势能的计算效率方面缺乏化学可解释性。本文提出了一种新方法，将两种方法的方面结合起来，在准确率和势能水平速度之间实现了最佳平衡。该方法利用单体中心表征，将势能分解为单体能的和，这些单体能具有化学意义。无需复杂的神经网络设计，单体的结构描述符由1体和2体有效相互作用描述，由适当的 PIP 组合作为输入喂入全连接神经网络。我们通过对气相水三聚体、液态水以及液态 CO2 的系统评估展示了该方法的性能。该方法的高精度、快速速度和灵活性为构建准确的机器学习势能以及启用复杂分子系统的大规模量子和经典仿真提供了新途径。
引用
@article{arxiv.2412.00522,
title = {Extending the atomic decomposition and many-body representation, a chemistry-motivated monomer-centered approach for machine learning potentials},
author = {Qi Yu and Ruitao Ma and Chen Qu and Riccardo Conte and Apurba Nandi and Priyanka Pandey and Paul L. Houston and Dong H. Zhang and Joel M. Bowman},
journal= {arXiv preprint arXiv:2412.00522},
year = {2025}
}