[论文解读] Construction of accurate machine learning force fields for copper and silicon dioxide

Wenwen Li, Yasunobu Ando|arXiv (Cornell University)|Jul 5, 2018

Mineral Processing and Grinding被引用 3

一句话总结

本文提出了一种用于铜（Cu）和二氧化硅（SiO2）的机器学习力场，采用角度结构指纹和混合模型方法，其精度与从头算计算相当。该方法通过引入键角并利用LASSO和遗传算法实现有效特征选择，相较于标准方法显著提升了预测精度。

ABSTRACT

Recently, the machine learning force field has emerged as a powerful atomic simulation approach for its high accuracy and low computational cost. However, its applications in the multi-component materials are relatively less. In this study, the ML force fields are constructed for both elemental material (Cu) and binary material (SiO2). The atomic environments are described by the structural fingerprint that takes the bond angle into account, and then, different ML techniques, including linear regression, neural network and mixture model method, are used to learn the structure-force relationship. We found that the use of angular structural fingerprint and mixture model method significantly improves the accuracy of ML force fields. In addition, we discussed the effective structural fingerprints auto-selection method based on LASSO and the genetic algorithm. The atomic simulations carried out with ML force fields are in excellent agreement with ab initio calculations.

研究动机与目标

• 开发用于多组分材料（特别是铜和二氧化硅）的高精度机器学习力场。
• 通过将键角纳入结构指纹，提升力场预测精度。
• 评估并比较不同机器学习技术（线性回归、神经网络和混合模型）在结构-力映射中的表现。
• 提出一种基于LASSO和遗传算法的有效结构指纹自动选择方法。
• 通过原子模拟将机器学习力场与从头算计算结果进行验证。

提出的方法

• 构建包含键角的结构指纹，以增强原子环境的表征能力。
• 使用多种机器学习模型进行力场训练：线性回归、神经网络和混合模型方法。
• 混合模型方法通过组合多个模型的预测结果，提升模型的鲁棒性和精度。
• 通过LASSO回归执行特征选择，以识别最相关的结构描述符。
• 采用遗传算法优化结构指纹的选择，以提升模型性能。
• 利用训练好的机器学习力场进行原子模拟，并与从头算结果对比以验证模型性能。

实验结果

研究问题

• RQ1 将键角纳入结构指纹对铜和二氧化硅的机器学习力场精度有何影响？
• RQ2 在铜和二氧化硅的力预测中，线性回归、神经网络或混合模型中哪种机器学习模型的预测精度最高？
• RQ3 LASSO和遗传算法能否有效识别用于力场训练的最具信息量的结构指纹？
• RQ4 基于角度指纹训练的机器学习力场在多大程度上可达到与从头算计算相当的精度？
• RQ5 所得到的力场在不同原子构型下是否具有良好的稳定性和泛化能力？

主要发现

• 与仅使用径向描述符相比，采用角度结构指纹显著提升了机器学习力场的精度。
• 混合模型方法在预测铜和二氧化硅的力方面优于线性回归和神经网络。
• 基于LASSO的特征选择方法能有效减少描述符数量，同时保持高预测精度。
• 遗传算法能够高效识别最优的结构指纹组合，从而增强模型的泛化能力。
• 使用机器学习力场进行的原子模拟在能量和力预测方面与从头算结果高度一致。
• 最终的力场在计算成本较低的情况下实现了高精度，适用于大规模分子动力学模拟。