基于深度学习的原子级模型不确定性与探索：用于筛选熔盐性质和组成的研究
材料科学
2024-05-20 v1 化学物理
摘要
由于极端的化学、热和辐射环境，现有的熔盆性质数据库缺乏适用于反应堆相关熔盐组成的必要实验热属性。同时，直接模拟这些性质通常计算昂贵或不准确。近年来，基于深度学习(DL)的原子级模拟方法因兼具效率与准确性而涌现。然而，在模拟不同性质和筛选新系统时，评估DL模型可靠性仍面临重大挑战。本文研究了结构复杂的LiF-NaF-ZrF熔盆。我们展示，神经网络(NN)的不确定性可通过集成学习方法提供NN基于预测的95%置信区间(CI)。我们表明，DL模型能够成功外推到新的组成、温度和时间尺度，但在密度发生显著变化时会失败，这一点被集成不确定性预测所捕获。这一工作能够提高利用模拟数据进行现实反应堆条件下的可信度，并为训练可部署的DL模型提供指南。
引用
@article{arxiv.2405.10325,
title = {Uncertainty and Exploration of Deep Learning-based Atomistic Models for Screening Molten Salt Properties and Compositions},
author = {Stephen T. Lam and Shubhojit Banerjee and Rajni Chahal},
journal= {arXiv preprint arXiv:2405.10325},
year = {2024}
}