面向量子机器学习的GPU加速近似核方法
化学物理
2022-12-21 v2
摘要
传统的基于核的机器学习模型用于第一性原理势能面,虽然在小数据情形下准确且方便,但随着训练集规模增大面临巨大的计算代价。我们引入QML-Lightning,一个包含GPU加速近似核模型的PyTorch包,将训练时间降低数个数量级,在数秒内得到训练好的模型。QML-Lightning包含FCHL19的高性价比GPU实现,二者结合可在微秒每原子的时空尺度上给出具有竞争力的精度和力预测。利用现代GPU硬件,我们给出了能量与力的学习曲线以及计时结果,作为来自原子模拟精选传统基准(包括QM9、MD-17和3BPA)的数值证据。
引用
@article{arxiv.2206.01580,
title = {GPU-Accelerated Approximate Kernel Method for Quantum Machine Learning},
author = {Nicholas J. Browning and Felix A. Faber and O. Anatole von Lilienfeld},
journal= {arXiv preprint arXiv:2206.01580},
year = {2022}
}
备注
25 pages, 5 figures