Jun, 2023

数据代价意识的机器学习力场

PDF
TL;DR提出了一种名为 ASTEROID 的多阶段计算框架，可以通过利用便宜但不精确的数据和昂贵而准确的数据相结合来降低机器学习力场模型的数据成本，该方法在分子动力学模拟中取得了良好的效果。
machine learningmolecular dynamicsforce fieldsasteroiddata cost
发现论文，激发创造
  • 机器学习力场

    本文总结了机器学习在计算化学中的应用，包括基于机器学习的力场构建、相关的统计关系和挑战，并提供了从零开始构建和测试它们的逐步指南。

    Oct, 2020

  • EL-MLFFs: 集成学习的机器学习力场

    通过构建分子结构的图表示并利用图神经网络（GNN）作为元模型，EL-MLFFs 有效地捕捉了原子间相互作用并优化了力预测，实验证明 EL-MLFFs 相对于独立的 MLFFs 显著提高了力预测准确性，最佳性能由所有八个模型组合得出。此外，剩余网络和图注意力层在模型的架构中起到了关键作用，EL-MLFFs 框架为 MLFF 的模型选择和力预测准确性的挑战提供了一个有前景的解决方案，为更可靠高效的分子模拟铺平了道路。

    Mar, 2024

  • 准确的机器学习力场通过实验和模拟数据融合

    基于机器学习的势场吸引着越来越多的关注，因为它们能够以量子级准确度跨越经典间原子势场的时空尺度。本研究利用密度泛函理论计算和实验测量的力学性能及晶格参数来训练钛的机器学习势能模型，证明了融合数据学习策略能够同时满足所有目标要求，从而获得比单一数据来源训练的模型更高准确性的分子模型。该方法适用于任何材料，可作为获取高度精确机器学习势能的通用策略。

    Aug, 2023

  • 科学领域的人工智能是否需要另一个 ImageNet 或完全不同的基准？机器学习势场的案例研究

    用机器学习力场作为案例研究，探讨有效评估科学领域中 AI 的基准测试方法，在样本效率、时间段敏感性和跨数据集泛化能力等方面提供了解决方案，并提出了一套更能评估模型在真实科学应用中性能的指标。

    Aug, 2023

  • 精准的能量守恒分子力场的机器学习

    利用能量守恒定律，我们开发了一种高效的梯度域机器学习方法（GDML），使用极少量的来自从头算分子动力学（AIMD）轨迹的样本构建准确的分子力场。这种方法可以在训练时仅使用 1000 个构象几何结构，以 0.3 kcal/mol 的能量准确度和 1 kcal/mol・Å^-1 的原子力准确度再现中等大小的分子的全局势能面。该方法使得分子动力学模拟可以像高级从头算法方法一样具有准确性和可转移性，同时减少了计算代价。

    Nov, 2016

  • 利用机器学习力场实现精确分子动力学模拟

    通过将时空物理对称性结合到梯度域机器学习（sGDML）模型中，从高级初步计算中直接构建灵活的分子力场，为实现分子模拟中的光谱精度提供关键缺失成分。

    Feb, 2018

  • 关于梯度在分子能量和力机器学习中的作用

    使用量子机器学习模型研究了有机分子的能量和力学标签，发现训练数据中的包含原子力学标签可以将预测的能量和力学标签精度提高 7 倍。

    Jul, 2020

  • 使用机器学习构建准确且数据高效的分子力场：sGDML

    本文介绍了对最近提出的对称梯度域机器学习（sGDML）模型的优化实现，提供了一个用于重建和评估自定义 sGDML 力场（FFs）的 Python 软件包，并展示了如何将 sGDML 与 FF 仿真引擎 ASE 和 i-PI 接口以运行数值实验。

    Dec, 2018

  • xxMD：利用超越平衡态的扩展动力学方法对神经力场进行基准测试

    我们引入了非绝热动力学推导的 xxMD（Extended Excited-state Molecular Dynamics）数据集，该数据集包含了通过多参考波函数理论和密度泛函理论确定的能量和力，并且其核配置空间真实地描绘了化学反应，使得 xxMD 成为一个更具化学相关性的数据集。我们重新评估了在 xxMD 数据集上的等变模型，发现其平均绝对误差明显高于 MD17 及其变体，这一观察强调了构建具有外推能力的可推广 NFF 模型所面临的挑战。

    Aug, 2023

  • 粗粒化分子动力学力场的机器学习

    本文应用监督式机器学习方法将经典粗粒化 (coarse-graining) 重新解释，提出了一种名为 CGnets 的深度学习方法，能够学习细粒度有溶剂共存 (all-atom explicit-solvent) 的自由能函数，并能够捕获多体项。

    Dec, 2018