液态下由高斯过程训练的机器学习力：对温度与压力的迁移性
计算物理
2019-03-27 v1 材料科学
摘要
我们研究了机器学习（ML）模型在密度泛函理论（DFT）内预测原子力的泛化性能。目标为液态下的 Si 和 Ge 单组分体系。为训练机器学习模型，采用高斯过程回归并结合表达目标原子周围局域结构的原子指纹。训练与测试数据由基于 DFT 的分子动力学（MD）生成。我们首先报告了当测试与训练数据均来自同一温度下的 DFT-MD 模拟时 ML 力的精度。通过比较不同温度下的 ML 力精度，发现其在固液两相边界附近的精度最低。此外，我们研究了在液态下训练的 ML 模型对温度与压力的迁移性。我们证明，若在高温度下训练且体积变化不大，则液态下 ML 力的迁移性足够高，而其向固态的迁移性则非常低。
引用
@article{arxiv.1810.05586,
title = {Machine learning forces trained by Gaussian process in liquid states: Transferability to temperature and pressure},
author = {Ryo Tamura and Jianbo Lin and Tsuyoshi Miyazaki},
journal= {arXiv preprint arXiv:1810.05586},
year = {2019}
}
备注
21 pages, 8 figures