机器学习扩散蒙特卡洛能量
介观与纳米尺度物理
2022-11-02 v2 材料科学
人工智能
摘要
我们提出两种能够在小数据集（总计约 60 次 DMC 计算）下预测扩散蒙特卡洛（DMC）能量的机器学习方法。第一种使用体素深度神经网络（VDNNs），以 Kohn-Sham 密度泛函理论（DFT）电子密度为输入来预测 DMC 能量密度。第二种使用核岭回归（KRR），以原子环境向量为输入（我们使用了来自 ANI 模型的原子中心对称函数、原子环境向量以及原子位置的平滑重叠）来预测对 DMC 总能量的原子贡献。我们首先在完整石墨烯晶格上比较这些方法，发现 KRR 方法相对于梯度提升决策树、随机森林、高斯过程回归和多层感知机表现最佳。此外，KRR 比 VDNNs 优一个数量级。之后，我们研究 KRR 对预测 Stone-Wales 缺陷相关能垒的泛化能力。最后，我们从二维材料转到三维材料，使用 KRR 预测液态水的总能量。在所有情况下，我们发现 KRR 模型比 Kohn-Sham DFT 更准确，且所有平均绝对误差均小于化学精度。
引用
@article{arxiv.2205.04547,
title = {Machine Learning Diffusion Monte Carlo Energies},
author = {Kevin Ryczko and Jaron T. Krogel and Isaac Tamblyn},
journal= {arXiv preprint arXiv:2205.04547},
year = {2022}
}