Автоматический выбор атомных дескрипторов и эталонных конфигураций для машинно-обучаемых потенциалов

Машинное обучение свойств на атомном уровне революционизирует молекулярное моделирование, позволяя вычислять межатомные потенциалы с точностью, сопоставимой с точностью первопринципных методов, при значительно меньших затратах. Однако точность, быстродействие и надежность машинно-обучаемых потенциалов в значительной степени зависят от способа представления атомных конфигураций, то есть от выбора дескрипторов, подаваемых на вход метода машинного обучения. Исходные декартовы координаты обычно преобразуются в «отпечатки» или «симметрийные функции», предназначенные для кодирования не только структуры, но и важных свойств поверхности потенциальной энергии, таких как инвариантность относительно вращений, трансляций и перестановок одинаковых атомов. В работе рассматриваются автоматические протоколы выбора определенного числа отпечатков из большого набора кандидатов на основе корреляций, присущих обучающим данным. Эта процедура может существенно упростить построение нейросетевых потенциалов, обеспечивающих оптимальный баланс между точностью и вычислительной эффективностью, а также потенциально ускорить на порядки вычисление гауссовых аппроксимационных потенциалов, основанных на ядре сглаженного перекрывания атомных позиций. Представлены применения данного подхода к построению нейросетевых потенциалов для воды и сплава Al-Mg-Si, а также к прогнозированию энергий образования малых органических молекул с использованием гауссовской процессной регрессии.