物理驱动的递归嵌入原子神经网络：融入局域完备性与非局域性
化学物理
2021-10-14 v5 计算物理
摘要
机器学习原子间势的近期进展很大程度上受益于原子表示和局域不变多体描述符。然而近来有论点认为，包含三体（甚至四体）特征不足以区分特定的局域结构。利用由相邻原子轨道线性组合构成的嵌入密度描述符，并认识到每个轨道系数在物理上依赖于其自身的局域环境，我们提出了一种递归嵌入原子神经网络模型。我们形式化证明该模型能高效融入完备的多体关联而无需显式计算高阶项。该模型不仅成功应对了代表性系统中的局域完备性与非局域性挑战，还提供了一种简单通用的途径，将局域多体描述符更新为消息传递形式而不改变其基本结构。
引用
@article{arxiv.2106.08245,
title = {Physically Motivated Recursively Embedded Atom Neural Networks: Incorporating Local Completeness and Nonlocality},
author = {Yaolong Zhang and Junfan Xia and Bin Jiang},
journal= {arXiv preprint arXiv:2106.08245},
year = {2021}
}
备注
This work has been published in Phys. Rev. Lett