sGDML：利用机器学习构建精确且数据高效的分子力场
计算物理
2019-03-05 v3
摘要
我们给出了近期提出的对称梯度域机器学习（sGDML）模型的优化实现。sGDML 模型能够从有限数量的用户提供的参考分子构型及相应的原子力出发，忠实地复现含数十个原子的分子的全局势能面（PES）。在此，我们介绍一个 Python 软件包，用于重建和评估自定义的 sGDML 力场（FFs），且无需深入了解该模型的细节。用户友好的命令行界面在整个模型创建过程中提供协助，以使这一新颖的机器学习方法能为广大从业者所用。我们的论文既作为文档，也包含一个如何重建并使用对乙酰氨基酚的 PBE0+MBD FF 的实际应用示例。最后，我们展示了如何将 sGDML 与 FF 模拟引擎 ASE（Larsen 等，J. Phys. Condens. Matter 29, 273002 (2017)）和 i-PI（Kapil 等，Comput. Phys. Commun. 236, 214-223 (2019)）接口，以运行数值实验，包括结构优化、经典和路径积分分子动力学以及微动弹性带计算。
引用
@article{arxiv.1812.04986,
title = {sGDML: Constructing Accurate and Data Efficient Molecular Force Fields Using Machine Learning},
author = {Stefan Chmiela and Huziel E. Sauceda and Igor Poltavsky and Klaus-Robert Müller and Alexandre Tkatchenko},
journal= {arXiv preprint arXiv:1812.04986},
year = {2019}
}