多体展开与神经网络的结合
化学物理
2017-09-13 v1 计算物理
机器学习
摘要
诸如多体展开（MBE）等碎片化方法是一种常见策略，通过将能量划分为重要性递减的层级贡献来对大系统进行建模。对于超越单点能的应用，达到化学精度所需的碎片数量对于从头算 MBE 而言仍然成本过高，难以与力场近似相竞争。伴随 MBE 的发展，从头算势能面的经验模型也有所改进，尤其是基于神经网络（NN）的非线性模型，能够快速且准确地重现从头算势能面。尽管神经网络速度很快，但它们受制于自身的维度灾难；必须在化学空间的有代表性样本上进行训练。在本文中，我们考察了 MBE 与神经网络的协同效应，并探索了它们的互补性。MBE 提供了一种系统的方法来处理任意大小的系统并智能地采样化学空间。神经网络将 MBE 的计算开销降低了超过 倍，并在无需专用力场的情况下重现了从头算的精度。我们表明它们具有显著的通用性，在截然不同的化学嵌入下提供相当的精度。为了评估这一点，我们测试了一种新的化学嵌入，该嵌入可以反转以预测具有所需性质的分子。
引用
@article{arxiv.1609.07072,
title = {The Many-Body Expansion Combined with Neural Networks},
author = {Kun Yao and John E. Herr and John Parkhill},
journal= {arXiv preprint arXiv:1609.07072},
year = {2017}
}