研究进展：原子间势的深度学习 | Nature Computational Science

机器学习Machine learning（ML）模型，如果被训练到高保真量子模拟的数据集，则产生精确和有效的原子间势。主动学习Active learning （AL）是迭代生成多样化数据集的有力工具。在主动学习方法中，机器学习ML模型提供了不确定性估计及其对每个新原子构型的预测。如果不确定性估计超过某个阈值，则将该配会置包含在数据集。

近日，美国洛斯阿拉莫斯国家实验室（Los Alamos National Laboratory）Maksim Kulichenko，Justin S. Smith & Benjamin Nebgen等，在Nature Computational Science上发文，报道开发了一种策略，以更快速地发现有意义地增加训练数据集的配置。该策略方法，即用于主动学习的不确定性驱动动力学uncertainty-driven dynamics for active learning （UDD-AL），在分子动力学模拟中，修正了使用的势能面，以有利于存在较大模型不确定性的构型空间区域。

不确定性驱动动力学的主动学习UDD-AL性能，在两个主动学习AL任务中得到了证明：甘氨酸的构象空间采样和乙酰丙酮中质子转移的促进采样。该不确定性驱动动力学的主动学习方法，可以有效地探索化学相关的构型空间，而这是在目标温度条件下使用常规规则的动态采样无法实现。

Uncertainty-driven dynamics for active learning of interatomic potentials.

原子间势主动学习的不确定性驱动动力学。

图1：甘氨酸测试案例，不确定性驱动动力学的主动学习uncertainty-driven dynamics for active learning，UDD-AL和分子动力学-主动学习Molecular dynamics-active learning，MD-AL方法比较。

图2：通过UMAP降维技术处理的甘氨酸构象空间的二维表示。

图3：在分子动力学-主动学习MD-AL和不确定性驱动动力学的主动学习UDD-AL数据集中，甘氨酸原子间距分布。

图4：在乙酰丙酮中，系综不确定度和不确定性驱动动力学UDD。

文献链接

https://www.nature.com/articles/s43588-023-00406-5

https://www.nature.com/articles/s43588-023-00406-5.pdf

https://doi.org/10.1038/s43588-023-00406-5

本文译自Nature。