May, 2024

LATTE：基于笛卡尔张量缩并的原子环境描述器

PDF
TL;DR我们提出了一种用于构建原子间势能的机器学习模型的新型描述符，即可与局部原子环境相结合的局部原子张量可训练扩展（LATTE），能够高效地构建可学习参数的可变数量的多体项，从而实现了一种高效、表达力强的描述符，可以根据不同的精确度和计算成本要求进行扩展，并将这种新型描述符与现有的描述符在多个系统上进行比较，结果表明它在速度非常快的势能端和接近现有最先进精确度的情况下，具备竞争力。
descriptorlocal atomic environmentsmachine learning modelsinteratomic potentialslatte
发现论文，激发创造
  • 基于笛卡尔原子团簇展开的机器学习金属间势能

    机器学习原子间势场，通过 Cartesian Atomic Cluster Expansion 模型在材料科学和化学的大规模、准确的原子模拟中起到了革命性的作用。该模型采用原子簇展开和等变信息传递与球谐函数作为基函数的方式，并结合了各种化学元素的低维嵌入和原子间信息传递。结果表明，该模型 (CACE) 具有良好的准确性、稳定性和普适性，并在不同系统中进行了验证，包括大量的水、小分子和 25 种元素的高熵合金。

    Feb, 2024

  • 原子结构表示的完备性

    本文指出传统上人们认为的三体描述符不能唯一地指定一个原子环境，并对此提出了几个反例，解释了当前 “机器学习” 力场的成功。作者预测了随着所需精度的提高而产生的问题，并提出潜在的解决方案。

    Jan, 2020

  • 基于物理启发的非键相互作用的等变描述符

    采用具有任意渐近行为的非键相互作用的非键位点电场到色散力的长程等位置（LODE）框架扩展生成原子环境的局部描述符，从而提供了一种实用的方案，用于将不同类型的非键相互作用纳入模型，并研究支撑这一具有挑战性的建模问题的物理和数据相关因素的相互作用。

    Aug, 2023

  • 关于化学环境的表征

    本研究回顾了一些最近发表的表示原子邻域环境的方法，并分析了它们在忠实度和适用于拟合势能面方面的相对优点。我们展示了使用具有增加的角波数的有限基函数集来扩展原子邻域密度函数的通用方法的具体案例。我们还提出了一种全新的方法，称为光滑重叠原子位置（SOAP），直接定义了任意两个邻域环境之间的相似性。通过拟合小硅集群和大块晶体的势能面的模型，我们测试了各种表示的性能。

    Sep, 2012

  • 基于核方法的机器学习夹心势场实验设计的优化：提高效率和可转移性

    数据驱动的机器学习模型通常基于灵活而非物理函数，可以将原子排列的微妙方面与能量和力的预测联系起来。我们的研究挑战在于化学环境描述符通常是稀疏的高维对象，缺乏明确定义的连续度量。我们通过经典的统计实验规划和最优设计方法来解决这个问题，以减轻狭窄和偏见采样的陷阱，并评估数据的信息量，确保训练集是否可行。这种方法易于实施，不需要复杂的框架或高性能计算。

    May, 2024

  • TensorNet：用笛卡尔张量表示法高效学习分子势

    该文章介绍了一种新的张量表示神经网络 TensorNet，其在分子系统表示中表现出了状态 - of-the-art 的性能，能有效地降低模型计算成本，并具有准确预测分子量子量的能力。

    Jun, 2023

  • 一种具有准确电静势及包含非局域电荷转移的四代高维神经网络势

    本研究介绍了第四代高维神经网络势方法，其结合了环境依赖型原子电负性和准确的原子能量，能够正确描述任意系统中的全局电荷分布，从而大大改善了现代机器学习能力的适用性，准确且广泛地应用于化学和材料科学中。

    Sep, 2020

  • E (3) 等变原子中心势在设计空间中的研究

    本文介绍了一个将 Atomic Cluster Expansion (ACE) 和 Neural Equivariant Interatomic Potentials (NequIP) 统一起来的数学框架，以及通过 NequIP 的 ablation study 对设计选项进行探究的实验，并提出了一个简化版本 BOTNet。

    May, 2022

  • 机器学习势使用的原子指纹和参考构型的自动选择

    本文介绍了一种自动选择指纹的协议，以便构建既能够在精度和计算效率之间实现最佳平衡，又能够加速高斯近似势的评估的神经网络势。其中展示了应用于水和 Al-Mg-Si 合金的神经网络势构建，并使用高斯过程回归预测小有机分子的形成能。

    Apr, 2018

  • 用于等变信息传递的高阶不可约笛卡尔张量

    通过整合基于高阶不可约笛卡儿张量的消息传递神经网络，论文介绍了一种新的机器学习方法，用于高效地进行原子尺度模拟，表现出与第一性原理方法相当甚至更好的性能。

    May, 2024