用于加速高精度神经网络分子动力学模拟的知识蒸馏框架
机器学习
2025-06-23 v2 材料科学
计算物理
摘要
神经网络势(NNP)为分子动力学(MD)模拟提供了一种强大的替代传统力场的方法。准确且稳定的MD模拟对于评估材料性质至关重要，其需要包含低能量稳定结构和高能量结构的训练数据。常规的知识蒸馏(KD)方法将预训练的NNP微调作为教师模型，以为学生模型生成训练数据。然而，在特定材料模型中，这一微调过程提高了能量势垒，使得难以生成包含高能量结构的训练数据。为解决此问题，我们提出了一种新颖的KD框架，利用未经微调的现成预训练NNP作为教师模型。其更平缓的能量势能面有助于探索更广泛的结构，包括对稳定MD模拟至关重要的高能量结构。我们的框架采用两阶段训练过程：首先，使用现成教师模型生成的数据集训练学生NNP；然后，使用较小的高精度密度泛函理论(DFT)数据集对其进行微调。我们将该框架应用于有机(聚乙二醇)和无机(LGePS)材料，证明了其有效性，在再现物理性质方面实现了与现有方法相当或更优的精度。重要的是，与现有NNP生成方法相比，我们的方法在不牺牲精度的前提下，将昂贵的DFT计算次数减少了10倍。此外，与教师NNP相比，所得学生NNP的推理速度提升了106倍，从而实现了显著更快、更高效的MD模拟。
引用
@article{arxiv.2506.15337,
title = {Knowledge Distillation Framework for Accelerating High-Accuracy Neural Network-Based Molecular Dynamics Simulations},
author = {Naoki Matsumura and Yuta Yoshimoto and Yuto Iwasaki and Meguru Yamazaki and Yasufumi Sakai},
journal= {arXiv preprint arXiv:2506.15337},
year = {2025}
}