Lernen glatter und ausdrucksvoller interatomarer Potentiale zur Vorhersage physikalischer Eigenschaften

Maschinelles Lernen von interatomaren Potentialen (MLIPs) hat sich zunehmend als effektiv erwiesen, um quantenmechanische Berechnungen zu approximieren, und das zu einem Bruchteil der Rechenkosten. Allerdings führen niedrigere Fehler bei zurückgehaltenen Testdatensätzen nicht immer zu verbesserten Ergebnissen bei nachgelagerten Vorhersageaufgaben physikalischer Eigenschaften. In diesem Papier schlagen wir vor, MLIPs auf ihre praktische Fähigkeit zu testen, Energie während molekularer dynamischer Simulationen zu erhalten. Bei Bestehen werden verbesserte Korrelationen zwischen Testfehlern und ihrer Leistung bei Vorhersageaufgaben physikalischer Eigenschaften festgestellt. Wir identifizieren Entscheidungen, die dazu führen können, dass Modelle diesen Test nicht bestehen, und nutzen diese Beobachtungen, um hochgradig ausdrucksstarke Modelle zu verbessern. Das resultierende Modell, eSEN, liefert Ergebnisse auf höchstem Niveau bei einer Reihe von Vorhersageaufgaben physikalischer Eigenschaften, einschließlich der Vorhersage der Materialstabilität, der Vorhersage der Wärmeleitfähigkeit und der Phononberechnungen.