规模越大越好？基于最小主义神经网络的精准分子势能面
化学物理
2024-11-28 v1 机器学习
摘要
原子级模拟是研究分子、蛋白质和材料在广泛时间和长度尺度上动力学的强大工具。但其可靠性和可预测性直接取决于底层势能面（PES）的准确性。遵循原则设计法，本工作引入了 KerNN 一种结合核方法和神经网络的方法，用于表示分子 PES。与最先进的神经网络 PES 相比，KerNN 的可学习参数数量显著减少。这在训练和评估时间上快了几个数量级，同时保持高预测准确性。重要的是，使用核作为特征也使 KerNN 的外推能力远超训练数据提供的覆盖范围，这解决了基于神经网络的 PES 的一般性问题。KerNN 应用于光谱和反应动力学，在测试集统计数据和可观测量（包括经典和量子模拟计算的振动带）方面表现优异。
引用
@article{arxiv.2411.18121,
title = {The Bigger the Better? Accurate Molecular Potential Energy Surfaces from Minimalist Neural Networks},
author = {Silvan Käser and Debasish Koner and Markus Meuwly},
journal= {arXiv preprint arXiv:2411.18121},
year = {2024}
}