面向复杂多元素扩展体系直接协变力预测的快神经网络的网络力场方法
计算物理
2019-10-02 v1 神经与进化计算
摘要
神经网络力场(NNFF)是一种对原子结构-力关系进行回归的方法，它规避了昂贵的量子力学计算，而后者阻碍了长时间第一性原理质量的分子动力学模拟的执行。然而，针对复杂多元素原子体系的大多数NNFF方法仅利用原子结构的旋转不变特征以及计算代价高昂的网络特征空间导数，来间接预测原子力矢量。我们开发了一种交错式NNFF架构，分别利用旋转不变与协变特征，在不使用空间导数的情况下直接预测原子力矢量，从而将昂贵的结构特征计算减少约180-480倍。这一加速使我们能够开发直接预测由长聚合物链、非晶氧化物和表面化学反应构成的复杂三元与四元元素扩展体系中原子力的NNFF。此处描述的交错旋转不变-协变架构也可在计算材料科学之外的领域中从局部物理结构直接预测复杂协变矢量输出。
引用
@article{arxiv.1905.02791,
title = {Fast Neural Network Approach for Direct Covariant Forces Prediction in Complex Multi-Element Extended Systems},
author = {Jonathan P. Mailoa and Mordechai Kornbluth and Simon L. Batzner and Georgy Samsonidze and Stephen T. Lam and Chris Ablitt and Nicola Molinari and Boris Kozinsky},
journal= {arXiv preprint arXiv:1905.02791},
year = {2019}
}