基于自适应群 Lasso 的高维神经网络势函数特征选择
无序系统与神经网络
2023-12-27 v1
摘要
神经网络势函数是原子模拟的有力工具，能够以接近经典力场的计算性能准确复现 \textit{ab initio} 势能面。此类势函数的一个核心组成部分是以最高效且信息量最大的方式将原子位置转换为一组原子特征。在这项工作中，基于自适应群 Lasso (AGL) 方法，为高维神经网络势函数引入了一种特征选择方法。研究表明，使用一种嵌入式方法（考虑到特征及其在估计量中作用的相互作用）对于优化特征数量是必要的。该方法在三种不同的单原子系统上测试了其效率，包括作为简单测试用例的 Lennard-Jones 系统、以径向相互作用为主的铝系统，以及作为强方向性相互作用系统代表的硼系统。将 AGL 与无监督过滤方法进行了比较，发现在减少复现参考模拟数据所需特征数量方面，AGL 表现始终更优。特别是，我们的结果表明，在原子间势函数的特征选择中考虑模型预测的重要性。
引用
@article{arxiv.2312.15979,
title = {Feature Selection for High-Dimensional Neural Network Potentials with the Adaptive Group Lasso},
author = {Johannes Sandberg and Thomas Voigtmann and Emilie Devijver and Noel Jakse},
journal= {arXiv preprint arXiv:2312.15979},
year = {2023}
}
备注
30 pages, 9 figures