Py学习  »  机器学习算法

Npj Comput. Mater.: 机器学习+随机特征方法—开发原子间势

知社学术圈 • 1 年前 • 173 次点击  
海归学者发起的公益学术平台
分享信息,整合资源
交流学术,偶尔风月

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。

该文近期 发表于npj Computational Materials 8, 7 (2022)英文标题与摘要如下,点击左下角“阅读原文”可以自由获取论文PDF。


Machine learned interatomic potentials using random features

Gurjot Dhaliwal, Prasanth B. Nair & Chandra Veer Singh 


We present a method to model interatomic interactions such as energy and forces in a computationally efficient way. The proposed model approximates the energy/forces using a linear combination of random features, thereby enabling fast parameter estimation by solving a linear least-squares problem. We discuss how random features based on stationary and non-stationary kernels can be used for energy approximation and provide results for three classes of materials, namely two-dimensional materials, metals and semiconductors. Force and energy predictions made using the proposed method are in close agreement with density functional theory calculations, with training time that is 96% lower than standard kernel models. Molecular Dynamics calculations using random features based interatomic potentials are shown to agree well with experimental and density functional theory values. Phonon frequencies as computed by random features based interatomic potentials are within 0.1% of the density functional theory results. Furthermore, the proposed random features-based potential addresses scalability issues encountered in this class of machine learning problems.


扩展阅读

 
npj: 新型光催化剂开发—使用会解释的机器学习
npj:多尺度传热的高效模拟—懂一点点物理定律的机器学习
npj: 机器学习预测—各种长相亲肿瘤纳米粒子的表面能
免费供应的宇宙粒子揭开那些深埋的隐秘
本文系网易新闻·网易号“各有态度”特色内容
媒体转载联系授权请看下方
Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/137177
 
173 次点击