原子系统对外场的通用机器学习响应模型
化学物理
2023-10-18 v2
摘要
机器学习原子间相互作用势已实现封闭体系高效且准确的分子模拟。然而，可极大改变化学结构和/或反应性的外场，在当前机器学习模型中很少被纳入。本工作提出一种通用场诱导递归嵌入原子神经网络（FIREANN）模型，其将伪场向量相关特征整合进原子描述符，以严格旋转等变性表示体系-场相互作用。这种“一体化”方法在单一模型中将偶极矩和极化率等多种响应性质与场依赖势能相关联，非常适用于电场存在下分子与周期体系的光谱和动力学模拟。尤其对于周期体系，我们发现 FIREANN 仅通过训练原子力即可克服极化固有的多值问题。这些结果验证了 FIREANN 方法在强外场下对复杂体系进行高效第一性原理建模的通用性与能力。
引用
@article{arxiv.2304.07712,
title = {Universal Machine Learning for the Response of Atomistic Systems to External Fields},
author = {Yaolong Zhang and Bin Jiang},
journal= {arXiv preprint arXiv:2304.07712},
year = {2023}
}
备注
9 figures