迭代玻尔兹曼反演的机器学习潜力：训练与实验
摘要：从量子力学模拟数据中训练机器学习势函数（MLPs）的方法学最近取得了巨大进展。实验数据与模拟数据具有非常不同的特征，大多数MLP训练程序不能轻易地将两种类型的数据纳入训练过程中。我们研究了一种基于迭代Boltzmann反演的训练过程，该过程使用平衡径向分布函数数据对现有的MLP进行了势能修正。通过将这些修正应用于基于密度泛函理论的纯铝的MLP，我们观察到所得模型在液态相中大部分解决了以前的过度结构化问题。有趣的是，修正后的MLP在预测实验扩散常数方面也表现出了改进的性能，这些常数未包含在训练过程中。所提出的方法不需要通过分子动力学求解器进行自动微分，并且不对MLP结构做出任何假设。结果表明了将实验数据纳入机器学习模型以提高分子动力学模拟准确性的实用框架。
作者：Sakib Matin, Alice Allen, Justin S. Smith, Nicholas Lubbers, Ryan B. Jadrich, Richard A. Messerly, Benjamin T. Nebgen, Ying Wai Li, Sergei Tretiak, and Kipton Barros
论文ID：2307.04712
分类：Applied Physics
分类简称：physics.app-ph
提交时间：2023-07-11