结构与构象多样性在机器学习势中的作用
化学物理
2023-11-03 v1 机器学习
摘要
在机器学习原子间势（MLIPs）领域，理解数据偏差（特别是构象与结构多样性）与模型泛化之间的复杂关系，对改进量子力学（QM）数据生成工作的质量至关重要。我们通过两个不同实验研究这些动态：一个是固定预算实验，数据集大小保持恒定；另一个是固定分子集实验，聚焦于固定结构多样性而变换构象多样性。我们的结果揭示了泛化指标的细微模式。值得注意的是，为实现最优的结构与构象泛化，需要在结构多样性与构象多样性之间仔细平衡，但现有 QM 数据集未满足该权衡。此外，我们的结果凸显了 MLIP 模型在训练分布之外泛化的局限性，强调了在模型部署时定义适用域的重要性。这些发现为 QM 数据生成工作提供了有价值的见解与指导。
引用
@article{arxiv.2311.00862,
title = {Role of Structural and Conformational Diversity for Machine Learning Potentials},
author = {Nikhil Shenoy and Prudencio Tossou and Emmanuel Noutahi and Hadrien Mary and Dominique Beaini and Jiarui Ding},
journal= {arXiv preprint arXiv:2311.00862},
year = {2023}
}
备注
Accepted at NeurIPS 2023 AI4D3 and AI4S workshops