透视黑箱：学习神经网络势能中众多体函数的相关性
计算物理
2024-07-08 v1
摘要
机器学习势能正变得越来越受欢迎，用于为复杂系统定义有效能量模型，既可以包含原子尺度下电子结构效应，也可以对原子自由度的部分进行粗粒度重整。对机器学习势能的一个主要批评是，其推断的能量可解释性不如采用更简单函数形式的传统方法。在这里，我们通过扩展最近在新兴领域——可解释人工智能（XAI）中提出的工具，应用于基于图神经网络（GNN）的粗粒度势能。我们在三个不同的粗粒度系统上进行演示，包括两种流体（甲烷和水）以及蛋白质 NTL9。在这些示例中，我们展示了神经网络势能可以实际上分为不同阶次的相关性贡献，这些贡献可以直接被解释，并为感兴趣的系统提供物理洞见。
引用
@article{arxiv.2407.04526,
title = {Peering inside the black box: Learning the relevance of many-body functions in Neural Network potentials},
author = {Klara Bonneau and Jonas Lederer and Clark Templeton and David Rosenberger and Klaus-Robert Müller and Cecilia Clementi},
journal= {arXiv preprint arXiv:2407.04526},
year = {2024}
}