机器学习力场：基础、应用范围与挑战
材料科学
2025-03-11 v1 人工智能
机器学习
摘要
高精度力场是生成预测性模拟的必要前提。在这方面，机器学习力场（MLFFs）已成为计算化学和材料科学中的一种革命性方法，它结合了量子力学方法的精度，同时计算效率比从头算方法高出数个数量级。本章介绍了学习的基础知识及其如何应用于构建MLFFs，并详细介绍了神经网络势和基于核的模型等关键方法。重点介绍了SchNet模型的构建，作为最基本的基于神经网络的力场之一，它如今已成为现代架构的基础。此外，详细描述了GDML框架，作为如何利用核方法的优雅表述来构建数学上稳健且受物理启发的MLFFs的示例。MLFF开发的持续进展不断扩大其适用范围，使得对以前无法企及的大型复杂系统进行精确模拟成为可能。本章最后强调了MLFFs对科学研究的变革性影响，突出了它们在推动化学、物理学和材料科学领域未来发现中的作用。
引用
@article{arxiv.2503.05845,
title = {Machine Learned Force Fields: Fundamentals, its reach, and challenges},
author = {Carlos A. Vital and Román J. Armenta-Rico and Huziel E. Sauceda},
journal= {arXiv preprint arXiv:2503.05845},
year = {2025}
}
备注
9 figures