振动H$_2$CO的机器学习模型：Reproducing Kernels、FCHL与PhysNet的比较
化学物理
2020-11-06 v1 计算物理
摘要
机器学习(ML)已成为提高原子尺度模拟质量的一种有前景的工具。使用甲醛作为分子内相互作用的基准体系，本文对基于深度神经网络(NN)最新变体、再生核希尔伯特空间(RKHS+F)和核岭回归(KRR)的机器学习模型进行了比较评估。能量与原子力的学习曲线表明，对于大小为数百的适度训练集，针对B3LYP、MP2和CCSD(T)-F12参考结果可快速收敛至优异预测。通常，学习曲线的偏移量从NN (PhysNet)到RKHS+F再到KRR (FCHL)依次衰减。反之，能量向新几何外推的预测能力按相同顺序增强，其中RKHS+F与FCHL表现几乎相当。对于谐振振动频率，情况不太明确：PhysNet与FCHL分别产生约1和约0.2 cm的平坦学习曲线，无论使用何种参考方法；而RKHS+F模型在B3LYP下趋于平稳，在MP2和CCSD(T)-F12下则展现持续改进。具有相同初始条件的有限温度分子动力学(MD)模拟给出了不可区分的红外光谱，与实验相比表现良好，除涉及氢伸缩运动的高频模式外——这是MD用于振动光谱学的已知局限。对于足够大的训练集，三种模型均能检测到参考电子结构计算的不充分收敛（“噪声”），表现为学习曲线趋于平缓。使用PhysNet从B3LYP到CCSD(T)-F12的迁移学习(TL)表明，数据效率可获进一步提升。
引用
@article{arxiv.2006.16752,
title = {ML Models of Vibrating H$_2$CO: Comparing Reproducing Kernels, FCHL and PhysNet},
author = {Silvan Käser and Debasish Koner and Anders S. Christensen and O. Anatole von Lilienfeld and Markus Meuwly},
journal= {arXiv preprint arXiv:2006.16752},
year = {2020}
}