文献

J-GLOBAL ID：202002216709102329   整理番号：20A1257656

ポテンシャルエネルギー面の階層的機械学習【JST・京大機械翻訳】

Hierarchical machine learning of potential energy surfaces

著者 (4件)： Dral Pavlo O. (State Key Laboratory of Physical Chemistry of Solid Surfaces, Fujian Provincial Key Laboratory of Theoretical and Computational Chemistry, Department of Chemistry, and College of Chemistry and Chemical Engineering, Xiamen University, Xiamen 361005, China) ,  Owens Alec (Department of Physics and Astronomy, University College London, Gower Street, WC1E 6BT London, United Kingdom) ,  Dral Alexey (BigData Team, 1A Tormoznoye Shosse Off 17, Yaroslavl, Yaroslavl 150022, Russian Federation) ,  Csanyi Gabor (Department of Engineering, University of Cambridge, Cambridge CB2 1PZ, United Kingdom)
資料名： Journal of Chemical Physics  (Journal of Chemical Physics)
巻： 152  号： 20  ページ： 204110-204110-11  発行年： 2020年 
JST資料番号： C0275A  ISSN： 0021-9606  CODEN： JCPSA6  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 高精度ポテンシャルエネルギー面(PES)の階層的機械学習(HML)を提示した。このスキームは,量子化学法の階層で計算されたエネルギーとエネルギー補正に関して訓練された複数のΔ機械学習モデルの予測を加えることに基づいている。著者らの(半)自動手順は,各構成機械学習モデルの最適訓練集合サイズと構成を決定し,同時に,HML PESの必要な精度を達成するために必要な計算努力を最小化する。機械学習モデルをカーネルリッジ回帰を用いて構築して,トレーニングポイントを構造ベースのサンプリングによって選択した。例証例として,HMLを高レベルab initio CH_3Cl PESに適用し,類似の精度(約1cm-1の誤差)を保持しながら,100倍のPESを生成する計算コストを大幅に低減することを示した。Copyright 2020 AIP Publishing LLC All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 学習モデル ,  *ポテンシャルエネルギー面 ,  量子化学 ,  *機械学習
準シソーラス用語： 高精度 ,  計算コスト ,  リッジ回帰 , 【Automatic Indexing@JST】

分類 (2件)： 数値計算  (JE02000J) ,  分子の電子構造  (BH05010Q)

タイトルに関連する用語 (2件)： ポテンシャルエネルギー面 ,  機械学習