基于贝叶斯主动学习的不确定性感知分子动力学研究SiC中的相变和热传输
摘要：基于高效的计算和准确建模和模拟的量子相互作用，机器学习插入原子力场非常有前景。最近发展出了一些有效自动训练力场的主动学习方法。其中，贝叶斯主动学习利用基于原子集群扩展描述符的稀疏高斯过程回归模型构建力场，并且同时使用受限不确定性量化来做数据采集决策。本研究工作提出了一个通用的贝叶斯主动学习工作流程，其中力场由稀疏高斯过程回归模型构建，该模型上采用了原子集群扩展描述符。为了避免稀疏高斯过程的不确定性计算的高计算成本，我们提出了一种高性能的不确定性近似映射，并展示了数个数量级的加速。我们通过训练一个硅碳化物（SiC）多形贝叶斯力场模型，演示了这种自主主动学习工作流程，仅用几天的计算时间准确捕捉了压力诱导的相变。结果模型与ab initio计算和实验测量结果非常接近，并且在振动和热性质上优于现有的经验模型。这种主动学习工作流程可以广泛应用于各种材料系统，并加速计算理解。
作者：Yu Xie, Jonathan Vandermause, Senja Ramakers, Nakib H. Protik, Anders Johansson and Boris Kozinsky
论文ID：2203.03824
分类：Computational Physics
分类简称：physics.comp-ph
提交时间：2023-03-07