<progress id="umg0i"><li id="umg0i"></li></progress>

  • <thead id="umg0i"><legend id="umg0i"></legend></thead>

      您當前的位置:首頁 > 研究成果 > 研究進展

      中國科大在機器學習勢能面方法上取得新進展

      時間:2021-10-12 23:36:30 來源:中國科大新聞網

        近期,中國科大學蔣彬教授課題組在發展高精度機器學習方法上取得新進展,最新成果以“Physically Motivated Recursively Embedded Atom Neural Networks: Incorporating Local Completeness and Nonlocality”為題發表于《物理評論快報》(Physical Review Letters) 上。


        原子模擬可以幫助我們在微觀層面理解分子光譜、反應動力學和能量/電荷轉移過程。發展精確且高效的勢能面對于模擬這些過程至關重要。近年來,隨著機器學習技術的發展,原子神經網絡框架已經成為構建勢函數的常用方法。在這個框架下,體系總能量可以拆分為每個原子能量之和,原子能量被認為是原子局部化學環境的函數,長期以來人們都認為基于三體的描述符已經足夠描述局部的原子化學環境。但近期有工作發現這些基于三體甚至四體相互作用的描述符會導致一些非物理的原子能量簡并,不能完備的描述局部化學環境。這會使得目前絕大多數原子型神經網絡勢能面的訓練會受到這種簡并扭曲構型空間的影響,難以進一步提高精度。


        蔣彬教授課題組長期致力于發展高精度機器學習勢能面方法,受量子化學中原子軌道組合為分子軌道的方式啟發,研究團隊改進了前期發展的嵌入原子神經網絡方法(J. Phys. Chem. Lett. 2019, 10, 4962),使得嵌入電荷密度描述符中的軌道系數變為化學環境依賴,以遞歸的通過更新嵌入電荷密度描述符實現,提出遞歸嵌入原子神經網絡方法(圖1)。有趣的是,這種神經網絡方式與物理上不太直觀的消息傳遞神經網絡形式本質上相同。研究團隊進一步證明可以通過遞歸更新軌道系數的形式來引入更多體相互作用,推導出完備的描述一個局部化學環境,確定迭代次數(消息傳遞的次數)與近鄰原子數之間的關系。該方法無需顯式計算高階相互作用,極大的簡化了計算,并從多體相互作用的角度解釋了消息傳遞型神經網絡的優越性。通過在甲烷和體相水這些體系上數值測試結果顯示,遞歸嵌入神經網絡在準確性上明顯優于現有機器學習模型(圖2),驗證了這個新模型的局部完備性和非局域性。該研究提出一個通用的策略可以很容易地改進現有的機器學習勢能面框架以包括更復雜的多體相互作用描述符,而無需改變其原始的基本結構,這將為開發更準確、更高效的機器學習模型提供一個新的思路。


      /uploads/image/2021/10/13/aaf0511e9ab8921a02ed7cd65699a856.png

        圖1:(a)遞歸嵌入原子神經網絡模型的示意圖顯示了密度描述符是如何遞歸嵌入的;(b)以CH4為例展示了如何通過兩次迭代實現以C為中心的完備五體相互作用;(c)圖示說明每次迭代三體項的數量如何增加。


      /uploads/image/2021/10/13/9c5782d8a4c4c36e42b14e63ce67d8e0.png


        圖2:遞歸嵌入原子神經網絡與包含5體以及3體+4體的機器學習模型構建CH4分子勢函數的精度比較,圖 (a)和圖 (b)分別是線性擬合和非線性擬合的結果。


        張耀龍為該論文的第一作者,蔣彬教授為通訊作者。該工作得到了國家重點研發計劃、國家自然科學基金委、安徽量子信息計劃的資助。


        相關論文鏈接:https://journals.aps.org/prl/pdf/10.1103/PhysRevLett.127.156002


      相關文章

      花漾视频下载app安装