基于物理与数据的主动学习：统计力学中材料自由能函数的神经网络表示
计算物理
2025-03-12 v1 机器学习
摘要
准确的自由能表示对于理解材料的相变动力学至关重要。我们采用跨尺度方法，通过在 DFT 指导的蒙特卡洛数据上训练神经网络，将原子尺度信息纳入自由能模型。为优化高维蒙特卡洛空间中的采样，我们提出了一种主动学习框架，该框架整合了空间填充采样、基于不确定性的采样和物理引导采样。此外，我们的方法还包括超参数调优、动态采样和新颖性强制等策略。这些策略可以组合使用，以减少均方误差（MSE），无论是全局还是目标区域，同时最小化所需数据点的数量。这里提出的框架广泛适用于多种材料系统的蒙特卡洛采样。
引用
@article{arxiv.2503.07619,
title = {Physics- and data-driven Active Learning of neural network representations for free energy functions of materials from statistical mechanics},
author = {Jamie Holber and Krishna Garikipati},
journal= {arXiv preprint arXiv:2503.07619},
year = {2025}
}