面向基础神经网络势的即时精调：基于贝叶斯神经网络的方法
机器学习
2025-07-21 v1 材料科学
计算物理
摘要
由于从第一性原理计算原子力的计算复杂度高，原子机器学习力场的生成已成为活跃的研究领域。然而，生成规模足够大且样本多样性足够的训练数据集本身就带来了计算负担，使得这一方法在建模罕见事件或大配置空间的系统时变得不够实用。对已在大规模材料或分子数据库上预训练的基础模型进行精调，是一个减少所需训练数据量以达到所需精度的有前景的机会。然而，即便这种方法总体上需要更少的训练数据，为罕见事件或缺乏机器学习背景的终端用户创建合适的训练数据集仍然是一个非常具挑战性的问题。在即时学习中，训练数据集的创建可以通过利用模型不确定性在仿真期间自动完成，以决定模型是否足够准确，或者是否应该使用经典方法重新计算结构并用于更新模型。在本文中，我们通过引入基于贝叶斯神经网络的方法和随后用于即时工作流程的精调方法来克服了将这种主动学习应用于基础模型精调的一个关键挑战——在精调过程中如何评估这些模型的不确定性，尽管大多数基础模型缺乏任何形式的不确定性量化。我们的工作流程能够自动精调模型，同时维持预指定的精度，并能够检测如跃迁态等罕见事件，并相对于其发生率以更高的速率对其进行采样。
引用
@article{arxiv.2507.13805,
title = {On-the-Fly Fine-Tuning of Foundational Neural Network Potentials: A Bayesian Neural Network Approach},
author = {Tim Rensmeyer and Denis Kramer and Oliver Niggemann},
journal= {arXiv preprint arXiv:2507.13805},
year = {2025}
}