#今日论文推荐#Npj Comput. Mater.: 机器学习+随机特征方法—开发原子间势
基于经验力场的经典分子动力学 (MD) 已成为一种在原子尺度上预测材料性质和行为的强大技术。与基于密度泛函理论 (DFT) 的从头计算方法相比,使用原子间相互作用的经验模型,可以显著提高计算速度和可扩展性。MD 模拟的核心组件是描述原子间相互作用的原子间势 (IP),IP 的选择会显著影响相关材料性质预测的结果,从而影响结果分析。此前已有研究表明,IP对参数的微小变化非常敏感。此外,由于这种IP具有严格的物理形式,它们无法在不同的材料系统中进行推广。最近,研究者们通过机器学习(ML)的方法来开发IP。利用机器学习开发IP最热门的方法包括线性回归、核回归模型和神经网络。这些模型对 IP 的物理形式的假设较少,且很容易推广到不同的材料系统中。然而,这些方法存在许多问题。例如,核回归模型需要大量的计算资源来进行数据输入和参数估计,造成了严重的计算和内存瓶颈, 以及超高计算成本等等。
来自多伦多大学的Gurjot Dhaliwal等提出了一种可以高效模拟原子间相互作用(如能量和力)的计算方法。他们提出的广义线性模型使用随机特征的线性组合来近似模拟能量和力,并基于此解决线性最小二乘问题实现了快速参数估计。该方法分别用随机傅里叶特征和随机特征图来近似静止核和非静止核,利用机器学习有效地从DFT模拟数据集学习IP。研究发现,基于ML开发的IP具有通用的函数形式,可以容易地推广应用于不同类别的复杂材料。利用这种方法的MD模拟获得的能量和力,与DFT计算值完美吻合。更重要的是,该模型的低维参数空间和线性函数形式极大地提高了计算效率,降低了运行成本,计算速度比 DFT 更快,且允许更快的超参数搜索和优化。
论文题目:Machine learned interatomic potentials using random features
详细解读:https://www.aminer.cn/research_report/62cd18767cb68b460fe91845https://www.aminer.cn/research_report/62cd18767cb68b460fe91845
AMiner链接:https://www.aminer.cn/?f=cs