将小尺度学习迁移至大规模系统的广延深度神经网络
计算物理
2019-04-18 v3 材料科学
摘要
我们提出了一种物理驱动的深度神经网络拓扑结构，它能够以 的复杂度高效推断任意大系统的广延参数（如能量、熵或粒子数）。我们使用一种形式的区域分解进行训练和推断，其中每个子区域（瓦片）由一个不重叠的焦点区域和一个重叠的上下文区域组成。这些区域的尺寸由问题的物理相互作用长度尺度决定。我们展示了 EDNN 在三个物理系统中的应用：Ising 模型和两个类六边形/石墨烯数据集。在后者中，EDNN 能够在 57 毫秒内对包含 60 个原子的系统进行总能量预测，且准确率与密度泛函理论 (DFT) 相当。此外，EDNN 非常适合大规模并行评估，因为在神经网络评估期间不需要通信。我们证明，EDNN 可用于对二维 3520 万原子系统、面积超过 1 平方微米的材料进行能量预测，且在 25 分钟内达到与 DFT 相当的准确率。这样的系统在光学显微镜可见的长度尺度上存在，且比某些生物体还要大。
引用
@article{arxiv.1708.06686,
title = {Extensive deep neural networks for transferring small scale learning to large scale systems},
author = {Kyle Mills and Kevin Ryczko and Iryna Luchak and Adam Domurad and Chris Beeler and Isaac Tamblyn},
journal= {arXiv preprint arXiv:1708.06686},
year = {2019}
}
备注
EDNN training code and tutorials available at http://kylemills.net/ednn, porous graphene dataset available for download at https://doi.org/10.4224/c8sc04578j.data