OBIWAN : Un potentiel de réseau de neurones à passage avant évolutif élément par élément

Estimer l'énergie potentielle d'un système moléculaire à un niveau de théorie quantique est une tâche d'une importance primordiale en chimie computationnelle. L'approche souvent employée de la théorie de la fonctionnalité de densité permet d'accomplir cette tâche, mais le plus souvent à des coûts computationnels significatifs. Cela a incité la communauté à développer des potentiels dits d'apprentissage automatique pour atteindre une précision proche de celle du quantique à un coût computationnel de mécanique moléculaire. Dans cet article, nous introduisons OBIWAN, un réseau de neurones à passage avant qui présente certaines propriétés structurelles pertinentes ayant également conduit à la définition d'un nouveau type de couche de réseau de neurones à usage général. Son processus de caractérisation évolue de manière efficace avec l'ajout de nouvelles espèces atomiques. Cela permet d'ajouter sans effort de nouveaux types d'atomes sans nécessiter de modifier la topologie du réseau. De plus, cela permet d'entraîner sur de nouveaux ensembles de données en s'appuyant sur un OBIWAN précédemment entraîné, convergeant ainsi très rapidement. Cela évite l'entraînement à partir de zéro et rend l'approche plus conforme à une perspective de calcul écologique.