Fortnet：一个用于训练Behler-Parrinello神经网络的软件包
化学物理
2022-12-14 v1 计算物理
摘要
我们开发了一个新的开源、并行、独立软件包（Fortnet），其实现了Behler-Parrinello神经网络。它覆盖了从特征生成到所生成势的评估的完整工作流，并结合了诸如原子力的解析计算等更高层次的分析。该软件包的功能通过驱动密度泛函紧束缚（DFTB）方法拟合修正函数的训练得以展示，这些修正函数常用于补偿DFTB对Kohn-Sham哈密顿量近似所带来的不准确性。那些修正函数通常的二体形式限制了参数化在差异极大的结构环境间的可迁移性。近期提出的DFTB+ANN方法力求通过将DFTB与近程人工神经网络（ANN）结合来打破这些限制。在考察多种方案后，我们发现DFTB与作用于某些基线修正函数之上的ANN相结合（delta学习）是最有前景的。它能在二体参数化之上引入多体修正，同时可展示对能量学偏离的化学环境的优异可迁移性。
引用
@article{arxiv.2202.03118,
title = {Fortnet, a software package for training Behler-Parrinello neural networks},
author = {Tammo van der Heide and Jolla Kullgren and Peter Broqvist and Vladimir Bačić and Thomas Frauenheim and Bálint Aradi},
journal= {arXiv preprint arXiv:2202.03118},
year = {2022}
}