Sep, 2024

数据过多会造成危害：优化数据覆盖以减轻超快速机器学习势能中的多样性引起的欠拟合

HTML
PDF
TL;DR本研究解决了机器学习原子势能（MLIPs）中训练数据生成优化的挑战，特别是在数据多样性对模型性能影响的研究中。通过分析超快速力场（UF$^3$）在建模非晶氮化硅中的表现，发现既不足又过度的数据多样性都会降低模型的模拟精度，提出了根据特定应用优化训练数据的重要性。
发现论文，激发创造
  • 神经网络势能单模型的不确定性量化表现未必比模型集合更好

    本研究考察了用于提高神经网络相互作用势模型的稳健性的多个不确定性量化方案，包括平均-方差估计，深度证据回归和高斯混合模型，并与现有基于集成的方法进行比较。研究表明，对于不确定性量化，成本有效的单一确定性模型尚不能始终匹配或胜过集成方法。

    May, 2023

  • 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

  • 多尺度学习原子间势

    用于分子动力学模拟的多时间步积分器的机器学习插值势具有比传统势能更广泛的适用性，通过联合训练两种机器学习插值势进行尺度分离可以实现显著的加速和无损的精度。

    Oct, 2023

  • 神经网络潜力函数的数据提炼对基础数据集的研究

    利用机器学习、生成模型和神经网络为基础的势函数，通过拓展系综分子动力学获得大范围液态和固态配置来加速势函数开发，并提升材料设计和发现的能力。

    Nov, 2023

  • 机器学习原子间势能中的插值和微分化学自由度

    利用连续和可微调的化学自由度在原子材料模拟中引入了化学元素和相应的权重，并对MLIP的消息传递和读取机制进行了修改，实现了材料组成状态之间的平滑插值，为优化固溶体组成、进行化学自由能模拟以及表征复杂材料系统的相稳定性提供了新途径。

    Apr, 2024

  • 通过微调克服普适机器学习多原子势能中的系统软化

    在这项研究中，我们发现普遍的机器学习相互原子势（MLIPs）存在潜在的能量面（PES）软化效应，该效应可以通过微调一个额外数据点来有效解决，这表明一部分uMLIP的错误是高度系统化的，可以高效地修正，从而解释了基于MLIP的数据高效微调改善的普遍观察。我们提出了对下一代基础MLIPs的全面材料数据集的重要性。

    May, 2024

  • 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

  • 利用普适原子间势的先验概率进行原子结构的贝叶斯优化

    本研究解决了传统方法在高维空间中优化原子结构时面临的挑战，尤其是需应对众多局部极小值的问题。通过将普适机器学习势与贝叶斯GOFEE/BEACON框架相结合，我们提出了一种新方法，利用预训练势的化学知识作为能量和力的先验估计，使高斯过程能够专注于捕捉势能表面的微妙变化。研究结果显示，该方法在多种系统中的有效性，具有重要的应用潜力。

    Aug, 2024

  • 图神经网络力场在预测固态性质中的泛化能力

    本研究解决了机器学习力场（MLFF）在固态材料研究中泛化能力不足的问题。通过训练图神经网络（GNN）MLFF以描述未包含在训练数据中的固态现象，结果表明该方法能够有效预测固态特性，与参考数据高度一致。这一成果为MLFF在复杂固态材料研究中的可靠应用奠定了基础。

    Sep, 2024

  • 通过主动学习加速强非谐材料的机器学习原子势的训练和提高其可靠性

    本研究解决了机器学习原子势在训练集不足时可能导致在强非谐材料中动态描述不准确的问题。通过将分子动力学与主动学习相结合，该方法有效地提高了数据的利用效率，并能更好地捕捉复杂的相空间区域。研究表明，该主动学习方案能够识别并修正现有方法中的问题，具有重要的物理意义和应用潜力。

    Sep, 2024