神经网络@材料和化学动力学领域

机器学习 (ML) 在缩小高精度量子力学模拟与经典力场方法之间的差距上极具潜力。这篇文章讲述了基于神经网络 (NN) 的原子间相互作用势能的开发和应用，以取代传统的经典力场并实现具有量子力学精度的大规模分子动力学 (MD) 模拟。

神经网络 (NN) 在材料和化学动力学领域正在崭露头角。机器学习 (ML) 框架是化学科学的逻辑扩展，正迅速成为化学过程和材料建模的主要工具。使用大量的高精度的电子结构计算数据集进行机器学习力场的训练，可以高效地重复出高精度电子结构的计算结果。因高效计算的同时保证了更高的物理精度，机器学习力场正备受推崇。因此，设计高质量和多样的训练数据集对于整体模型的准确性至关重要。随着基于神经网络原子间相互作用势的研究进展，有两种训练策略可以帮助提高其准确性。(一) 主动学习，由于自动收集新原子构相并产生大量 数据用于机器学习训练存在不确定性，主动学习可以显著减少高精度计算的数量，同时确保数据集多样性的最大化。(二) 尽可能使用高阶量子理论。迁移学习可以显著提高预训练模型的准确性，同时保留其原始的可迁移性和可扩展性。经过大量密度泛函理论计算的数据集训练后，在使用少量昂贵的高精度量子化学计算再次训练，可以显著提升初始模型的精度。