用于长程相互作用机器学习的潜在Ewald求和
机器学习
2024-12-20 v2 材料科学
化学物理
计算物理
摘要
机器学习原子间势(MLIPs)常常忽略长程相互作用，例如静电力和色散力。在这项工作中，我们引入了一种直接且高效的方法来考虑长程相互作用，即从局部原子描述符中学习一个潜在变量，并对该变量应用Ewald求和。我们证明，在包含带电和极性分子二聚体、体相水以及水-蒸气界面的系统中，即使采用消息传递，标准短程MLIPs也可能导致非物理的预测。长程模型有效地消除了这些伪影，其计算成本仅为短程MLIPs的两倍左右。
引用
@article{arxiv.2408.15165,
title = {Latent Ewald summation for machine learning of long-range interactions},
author = {Bingqing Cheng},
journal= {arXiv preprint arXiv:2408.15165},
year = {2024}
}