原子力的直接与局域深度神经网络在尺寸与温度上的可迁移性
化学物理
2018-09-26 v1 计算物理
摘要
本文提出一种用于原子力的直接与局域深度学习（DL）模型。我们展示了该模型在块体铝、钠与硅上的性能，并表明其误差与最先进的机器学习及 DL 模型相当。我们随后分析了模型性能随所包含近邻数目的变化，并表明可通过分析深度学习模型的行为来确定系统的物理属性。最后，我们测试了模型的尺寸缩放性能，以及不同温度间的可迁移性，表明我们的模型在扩展至更大体系以及高到低温度的可预测性上均表现良好。
引用
@article{arxiv.1804.01151,
title = {Size and Temperature Transferability of Direct and Local Deep Neural Networks for Atomic Forces},
author = {Natalia Kuritz and Goren Gordon and Amir Natan},
journal= {arXiv preprint arXiv:1804.01151},
year = {2018}
}