Asparagus：用于自主、用户导向构建机器学习势能面的数据分析工具包
化学物理
2024-07-23 v1 计算工程、金融与科学
机器学习
计算物理
摘要
随着机器学习(ML)技术在科学界的普及，构建机器学习势能面(ML-PES)已成为物理和化学中的标准流程。迄今为止，ML-PES模型构建方面的改进是独立进行的，这导致了新用户克服初始障碍的困难，以及结果可重复性的复杂化。为降低ML-PES的广泛使用门槛，我们介绍Asparagus，一个涵盖不同组成部分的软件包，允许自主、用户导向地构建ML-PES模型。Asparagus结合了初始数据抽样的能力，集成了ab initio计算程序接口、ML模型训练，以及模型评估及其在其他代码中的应用，如ASE或CHARMM。通过包括小分子动力学、无机配合物中反应势能的表示，以及周期性表面结构上的原子扩散等不同示例，说明了该代码的功能。Asparagus的模块化框架旨在允许简单实现进一步的ML相关方法和模型，以提供用户友好的方式访问最先进的ML技术。
引用
@article{arxiv.2407.15175,
title = {${\it Asparagus}$: A Toolkit for Autonomous, User-Guided Construction of Machine-Learned Potential Energy Surfaces},
author = {Kai Töpfer and Luis Itza Vazquez-Salazar and Markus Meuwly},
journal= {arXiv preprint arXiv:2407.15175},
year = {2024}
}