测量机器学习力场中的可迁移性问题：以线性化势下的金-铁相互作用为例
化学物理
2020-11-10 v3 材料科学
计算物理
摘要
机器学习力场已被越来越多地用于扩展当前第一性原理计算的可能性。然而，在超出原始数据库的情形下，所获得势的可迁移性并非总能保证。为研究此类局限，我们考察了金-铁纳米颗粒中相互作用这一极为困难的案例。对于机器学习势，我们采用了一种线性化表述，其通过惩罚回归方案进行参数化，从而允许我们控制所得势的复杂度。我们表明，虽然具有更高复杂度的势能与训练数据库更吻合，但也可能导致过拟合问题，并在未训练系统中精度降低。
引用
@article{arxiv.1912.10761,
title = {Measuring transferability issues in machine-learning force fields: The example of Gold-Iron interactions with linearized potentials},
author = {Magali Benoit and Jonathan Amodeo and Ségolène Combettes and Ibrahim Khaled and Aurélien Roux and Julien Lam},
journal= {arXiv preprint arXiv:1912.10761},
year = {2020}
}