神经进化机器学习的潜力：在原子模拟和热传输应用中结合高准确度和低成本
摘要：神经进化潜力（NEP）框架用于生成基于神经网络的机器学习势能。通过应用进化策略来训练这些势能，以进行大规模分子动力学模拟。基于Chebyshev和Legendre多项式构建原子环境的描述符。该方法在开源GPUMD软件包的图形处理单元中实现，可以使用一块Nvidia Tesla V100实现每秒超过$ 10^7 $个原子步的计算速度。此外，NEP中提供了每个原子的热流，为具有强声子非谐振或空间混乱的材料的热传导的高效准确的分子动力学模拟铺平了道路，这通常无法用传统经验势或微扰方法准确处理。
作者：Zheyong Fan, Zezhu Zeng, Cunzhi Zhang, Yanzhou Wang, Haikuan Dong, Yue Chen, Tapio Ala-Nissila
论文ID：2107.08119
分类：Computational Physics
分类简称：physics.comp-ph
提交时间：2022-01-25