压力下的氢作为机器学习互原子势的基准
材料科学
2024-09-23 v1 机器学习
摘要
机器学习互原子势 (MLPs) 是原子系统势能面的数据驱动代理模型，可通过几个数量级加速首次性分子动力学 (MD) 模拟。MLPs的性能通常以训练数据之外的数据上的能量和力预测误差来衡量。虽然对测试集的低预测误差是必要的，但并不保证在MD模拟中表现良好。后者需要从运行加速模拟中获得的物理动机性能度量。然而，由于计算这些度量和解释它们需要的时间和领域知识，已将其采纳局限于有限范围。为克服这一限制，我们 presented 一个基准，用于自动量化MLPs在氢 UNDER PRESSURE中液-液相变MD模拟中的性能。该基准的h-llpt-24数据集提供了来自不同温度和质量密度下的密度泛函理论MD模拟的参考几何构型、能量、力和应力。该基准的Python代码自动运行MLPs加速的MD模拟并计算、定量比较和可视化压力、稳定分子比例、扩散系数和径向分布函数。通过使用该基准，我们表明多个最先进的MLPs未能再现液-液相变。
引用
@article{arxiv.2409.13390,
title = {Hydrogen under Pressure as a Benchmark for Machine-Learning Interatomic Potentials},
author = {Thomas Bischoff and Bastian Jäckl and Matthias Rupp},
journal= {arXiv preprint arXiv:2409.13390},
year = {2024}
}