機械学習原子間ポテンシャルの訓練のための構造進化法のベンチマーク【JST・京大機械翻訳】

Waters Michael J.; Rondinelli James M.

プレプリント

J-GLOBAL ID：202202215072274971 整理番号：22P0322276

機械学習原子間ポテンシャルの訓練のための構造進化法のベンチマーク【JST・京大機械翻訳】

Benchmarking Structural Evolution Methods for Training of Machine Learned Interatomic Potentials

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (2件)： ,
資料名：
発行年： 2022年03月30日プレプリントサーバーでの情報更新日： 2022年03月30日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

機械学習原子間ポテンシャル(MLIP)の訓練データを作成するとき,初期構造を生成し,より大きな配置空間をサンプリングするために分子動力学を用いてそれらを進化させる。著者らは,MLIPsのための多様で堅牢な訓練密度汎関数理論データセットを生成する能力のために,進化する構造,輪郭探査および二量体法の探索の2つの他の様式をベンチマークした。また,既知の構造あるいはランダム構造から,将来における構造-ソーシングプロセスをさらに定式化する初期構造の生成を論じた。多形に富むジルコニウム-酸素組成空間を,これらの構造進化法から発生する構造で訓練されたMLIPの性能を比較するための厳密なベンチマークシステムとして使用した。マシン学習原子間ポテンシャルモデルとしてBehler-Parrinelloニューラルネットワークを用いて,輪郭探索と二量体法探索が,空間ディスクリプタ多様性と統計的精度に関して,分子動力学よりも一般的に優れていることを見出した。【JST・京大機械翻訳】

, , , , , , , , , , ,
, , , 【Automatic Indexing@JST】

人工知能 , 分子の電子構造 , 分子の性質一般 , 数値計算

, , , ,

前のページに戻る