[论文解读] A machine-learning approach for the inverse scattering problem in quantum reaction dynamics

Rodrigo A. Vargas–Hernández, Yafu Guan+2 more|arXiv (Cornell University)|Nov 17, 2017

Machine Learning in Materials Science被引用 1

一句话总结

该论文提出一种基于贝叶斯优化的机器学习框架，用于迭代优化量子反应散射的全局势能面（PES），仅需30个从头算能量点即可完成H + H₂反应的PES构建，OH + H₂反应则需290个。该方法跳过了传统的解析拟合过程，生成的PES在广阔能量范围内能精确再现反应概率。

ABSTRACT

Any quantum reactive scattering calculation requires an accurate potential energy surface (PES). Here, we propose a machine-learning approach, which makes feasible a feedback loop, allowing for the gradual improvement of PES based on results of rigorous quantum dynamics calculations. We show that such feedback loops produce accurate global PES with only 30 $ab$ $initio$ energies for the three-dimensional H + H$_2$ $ ightarrow$ H$_2$ + H reaction and 290 $ab$ $inito$ energies for the six-dimensional OH + H$_2$ $ ightarrow$ H$_2$O + H reaction. These surfaces are obtained automatically by a Bayesian optimization algorithm and do not require fitting the $ab$ $initio$ energies with analytical functions. By construction, these potentials reproduce accurately the reaction probabilities in a wide range of energies.

研究动机与目标

• 解决在仅使用最少从头算数据的情况下构建高精度全局势能面（PES）以用于量子反应散射的挑战。
• 实现严格的量子动力学计算与PES优化之间的反馈回路，逐步提高精度。
• 消除对从头算能量点进行解析函数拟合的需求，减少人为偏差和计算开销。
• 使用最少数量的从头算能量点，为三原子和六原子反应体系构建高精度PES。

提出的方法

• 利用贝叶斯优化选择最具信息量的从头算能量点用于PES构建，最大限度减少所需计算量。
• 采用反馈回路机制，利用量子动力学计算结果指导下一阶段PES优化，逐步提升精度。
• 直接从从头算数据构建全局PES，无需拟合至解析函数，从而保持量子数据的保真度。
• 利用机器学习建模逆散射问题，通过将反应概率反向映射至底层PES。
• 自动生成能够以高精度再现广泛能量范围内量子反应概率的PES。

实验结果

研究问题

• RQ1 机器学习反馈回路是否能显著减少构建高精度全局PES所需的从头算能量点数量？
• RQ2 贝叶斯优化在PES构建中在多大程度上可替代传统解析拟合，同时保持精度？
• RQ3 该方法是否能在不依赖大量数据的情况下，生成能准确再现量子反应概率的PES？
• RQ4 该迭代反馈回路在提升三原子和六原子反应体系PES精度方面效果如何？

主要发现

• 该方法仅使用30个从头算能量点即成功构建了H + H₂反应的高精度全局PES。
• 对于OH + H₂反应，仅需290个从头算能量点即获得全局PES，显著少于传统方法。
• 所生成的PES在广泛能量范围内能精确再现反应概率，满足量子散射计算需求。
• 该方法消除了对从头算数据进行解析函数拟合的需要，简化了PES生成流程。
• 反馈回路实现了PES的迭代优化，仅用极少输入数据即获得高保真度的势能面。