用于训练液态水神经网络力场的量子力学数据集的规模与质量
统计力学
2023-02-08 v2 无序系统与神经网络
化学物理
摘要
分子动力学模拟已被用于不同科学领域以研究广泛的物理系统。然而，计算的精度基于用于描述原子相互作用的模型。特别地，从头算分子动力学（AIMD）具有密度泛函理论（DFT）的精度，因此受限于小体系与相对较短的模拟时间。在此情形下，神经网络力场（NNFF）发挥着重要作用，因为它提供了一种规避这些缺陷的途径。本工作中，我们研究在 DFT 水平上设计的用于描述液态水的 NNFF，重点关注所考虑训练数据集的规模与质量。我们表明，相比于动力学性质（如扩散系数），结构性质对训练数据集规模的依赖较小，且良好的采样（为训练过程选取参考数据）可以用小样本获得良好精度。
引用
@article{arxiv.2209.04059,
title = {Size and Quality of Quantum Mechanical Data Sets for Training Neural Network Force Fields for Liquid Water},
author = {Márcio S. Gomes-Filho and Alberto Torres and Alexandre Reily Rocha and Luana S. Pedroza},
journal= {arXiv preprint arXiv:2209.04059},
year = {2023}
}