18、静态和动态电子的机器学习技术解析

静态和动态电子的机器学习技术解析

在当今的科学研究和工程应用中，机器学习技术在解决电子相关问题方面展现出了巨大的潜力。本文将深入探讨两种重要的机器学习方法：基于MALA的替代模型训练与测试，以及物理信息神经网络（PINNs）在求解偏微分方程中的应用。

1. 基于MALA的替代模型训练与测试

在进行模型训练之前，需要选择合适的网络架构。对于一个小示例，我们选择了经过充分测试的网络架构，即一个具有四个隐藏层的神经网络，其中前三个隐藏层各包含800个神经元，最后一个隐藏层包含250个神经元。

1.1 模型训练

• 数据准备 ：由于本示例中选择的铍单元格比之前研究中使用的铝数据小，因此需要更多的原子快照来保证模型性能。我们使用四个原子快照进行模型训练，一个原子快照作为验证数据，用于在训练过程中监控模型性能。
• 训练环境 ：训练在标准GPU上进行，使用MALA中实现的PyTorch框架。
• 优化器选择 ：为了评估训练例程本身的性能，我们使用ADAM优化器训练了五个独立的神经网络。训练在86 - 154个周期内实现了收敛。

1.2 模型测试

训练完成后，我们使用剩余的14个未在训练过程中使用的快照作为测试集来确认模型性能。结果表明，该模型能够非常准确地预测所有14个铍快照的总能量。除了总能量，电子密度和态密度（DOS）也是通常通过密度泛函理论计算的重要量，MALA也能准确预测这些量。

为了量化模型的鲁棒性，我们选择对模型进行总共五次训练和测试