物种分离高斯神经网络势 (SG-NNP)：多组分材料的线性元素规模与优化维度
材料科学
2024-07-10 v1
摘要
随着机器学习离子势（MLIPs）在材料长时间和大尺度模拟中的应用不断增长，提高此类模型鲁棒性已成为热门课题。为此，我们设计了一套新的高斯型描述子，按原子数线性扩展，减少多组分原子环境的信度退化，并将其应用于物种分离高斯神经网络势（SG-NNP）。我们测试了该方法在钼（Mo）SG-NNP性能中的各种设计选择和超参数对训练和推理/仿真的影响。结果表明，SG-NNP 在维数更少的情况下，在 diverse 的材料集（包括 Ni、Cu、Li、Mo、Si、Ge、NiMo、Li3N 和 NbMoTaW）上，比传统和其他基于 ML 描述子的离子势在原子力和总能量预测上表现更优。从结果可见，所提方法改进了含多种物种的复杂环境中原子描述子的性能。
引用
@article{arxiv.2407.06615,
title = {SG-NNP: Species-separated Gaussian Neural Network Potential with Linear Elemental Scaling and Optimized Dimensions for Multi-component Materials},
author = {Ji Wei Yoon and Bangjian Zhou and J Senthilnath},
journal= {arXiv preprint arXiv:2407.06615},
year = {2024}
}