面向分子激发态能量的多保真度机器学习
化学物理
2024-01-12 v1 机器学习
计算物理
摘要
分子激发态的准确而快速的计算仍然是一个非常具有挑战性的课题。对于许多应用而言，较大分子聚集体中能量漏斗的详细知识至关重要，这需要高度准确的激发态能量。为此，机器学习技术可以成为一种极其有用的工具，尽管生成高精度训练数据集的成本仍然是一个严峻的挑战。为克服这一障碍，本工作提出使用多保真度机器学习，将极少量的高精度训练数据与更廉价且精度较低的数据相结合，以达到成本更高计算级别的精度。在本研究中，该方法被用于预测三种尺寸递增的分子（即苯、萘和蒽）的第一激发态能量。这些能量针对源自经典分子动力学模拟和实时密度泛函紧束缚计算的构型进行训练和测试。可以表明，多保真度机器学习模型能够达到仅基于高成本训练数据所构建的机器学习模型相同的精度，同时生成数据所需的计算代价要低得多。在这些基准测试计算中观察到的数值加速超过 30 倍，但对于高精度数据无疑可以更高。
引用
@article{arxiv.2305.11292,
title = {Multi-Fidelity Machine Learning for Excited State Energies of Molecules},
author = {Vivin Vinod and Sayan Maity and Peter Zaspel and Ulrich Kleinekathöfer},
journal= {arXiv preprint arXiv:2305.11292},
year = {2024}
}