文献

J-GLOBAL ID：202202278637174917   整理番号：22A1117123

原子間ポテンシャルの開発を促進するためのバッチ能動学習【JST・京大機械翻訳】

Batch active learning for accelerating the development of interatomic potentials

著者 (9件)： Wilson Nathan (Department of Materials Science and Engineering, Texas A&M University, 3003 TAMU, College Station, 77843, TX, USA) ,  Willhelm Daniel (Department of Materials Science and Engineering, Texas A&M University, 3003 TAMU, College Station, 77843, TX, USA) ,  Qian Xiaoning (Department of Electrical and Computer Engineering Texas A&M University, 3128 TAMU, College Station, 77843, TX, USA) ,  Qian Xiaoning (Department of Computer and Science Engineering Texas A&M University, 3112 TAMU, College Station, 77843, TX, USA) ,  Arroyave Raymundo (Department of Materials Science and Engineering, Texas A&M University, 3003 TAMU, College Station, 77843, TX, USA) ,  Arroyave Raymundo (Department of Mechanical Engineering Texas A&M University, 3123 TAMU, College Station, 77843, TX, USA) ,  Arroyave Raymundo (Department of Industrial and Systems Engineering Texas A&M University, 3131 TAMU, College Station, 77843, Tx, USA) ,  Qian Xiaofeng (Department of Materials Science and Engineering, Texas A&M University, 3003 TAMU, College Station, 77843, TX, USA) ,  Qian Xiaofeng (Department of Electrical and Computer Engineering Texas A&M University, 3128 TAMU, College Station, 77843, TX, USA)
資料名： Computational Materials Science  (Computational Materials Science)
巻： 208  ページ： Null  発行年： 2022年 
JST資料番号： W0443A  ISSN： 0927-0256  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 古典的分子動力学(MD)は,第一原理アプローチの能力を超える長さと時間スケールでの材料における原子論的機構と緊急挙動を研究するために広く使用されてきた。古典的MDシミュレーションの成功は,原子の有効少数体相互作用系への電子と核の複雑な多体相互作用系を正確にマッピングする古典的原子間ポテンシャルの能力に依存する。実際に,原子間ポテンシャルの開発は,非自明なプロセスであり,かなりの努力を必要とする。最近,機械学習は原子間ポテンシャル開発を加速する有望なアプローチとなっている。しかし,これらの機械学習手法は,多くの原子論的構造の全エネルギー,原子力,および応力テンソルのような第一原理計算から大量の訓練データを必要とするので,しばしば計算およびデータ集約的である。ここでは,第一原理理論計算と組み合わせたアクティブ学習アプローチを提案し,機械学習原子間ポテンシャルの開発を促進した。特に,エネルギー不確実性と構造類似性メトリックの両方を組み合わせたバッチアクティブ学習法を開発し,予測が困難な高度に不確実な構造を効率的にサンプリングした。このアクティブサンプリング手法は,各バッチにおけるデータセットの有用性を最大化し,従来のサンプリング手法で達成するのが困難な,高精度でロバストなモデル係数を持つ原子間ポテンシャルを生成する。このバッチアクティブ学習法を実証するために,二次元強誘電体-弾性材料,単層GeSeに対する能動学習ポテンシャルを開発し,ランダムサンプリングから得られたポテンシャルと能動学習ポテンシャルの品質とロバスト性を比較した。バッチアクティブ学習法は,計算材料,物理学および化学コミュニティにとって価値がある,小さな集合の原子論的構造を用いて,ロバストで正確な機械学習ポテンシャルの開発を加速するための道を開く。Copyright 2022 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 強誘電体 ,  相互作用 ,  *原子間ポテンシャル ,  計算 ,  モデル ,  二次元 ,  *ポテンシャル ,  分子動力学 ,  ロバスト性 ,  全エネルギー ,  機械学習
準シソーラス用語： 分子動力学シミュレーション ,  第一原理計算 ,  多体相互作用 , 【Automatic Indexing@JST】

著者キーワード (4件)： 原子間ポテンシャル ,  アクティブ学習 ,  分子動力学 ,  密度汎関数理論

分類 (2件)： 金属の機械的性質  (BL01022T) ,  計算機シミュレーション  (JE11000H)

タイトルに関連する用語 (5件)： 原子間ポテンシャル ,  開発 ,  促進 ,  バッチ ,  能動学習