利用随机电子结构方法计算的力训练模型
材料科学
2024-05-02 v1
摘要
量子蒙特卡洛 (QMC) 可在生成构建势能面所需的精确数据方面发挥非常重要的作用。我们认为 QMC 在系统偏差更小以及能更完整地覆盖相空间方面具有优势。随机噪声可缓解机器学习模型的训练。我们通过线性最小二乘过程中的误差分析讨论了随机误差如何影响有效模型的生成，发现拥有许多相对不精确的数据点对于构建模型具有优势。然后我们分析了噪声对多体硅模型的影响，发现噪声在某些情况下改善了所得模型。接着我们研究了 QMC 噪声对近期一项致密氢相图研究中使用的两个机器学习模型的影响。该噪声使我们能估计模型中的误差。我们以未来研究问题的讨论作结。
引用
@article{arxiv.2310.15994,
title = {Training models using forces computed by stochastic electronic structure methods},
author = {David M. Ceperley and Scott Jensen and Yubo Yang and Hongwei Niu and Carlo Pierleoni and Markus Holzmann},
journal= {arXiv preprint arXiv:2310.15994},
year = {2024}
}