Apprentissage Automatique des Potentiels Réactifs

Au cours des deux dernières décennies, les potentiels d'apprentissage automatique (MLPs) ont entraîné des développements significatifs dans les sciences chimiques, biologiques et des matériaux. La construction et l'entraînement de MLPs permettent des simulations et une analyse rapides et précises des propriétés thermodynamiques et cinétiques. Cette revue se concentre sur l'application des MLPs aux systèmes de réaction en tenant compte de la rupture et de la formation des liaisons. Nous passons en revue le développement des modèles MLP, principalement avec des algorithmes à réseaux de neurones et basés sur des noyaux, ainsi que les applications récentes des MLP réactifs (RMLPs) à des systèmes à différentes échelles. Nous montrons comment les RMLPs sont construits, comment ils accélèrent le calcul des dynamiques réactives et comment ils facilitent l'étude des trajectoires de réaction, des taux de réaction, des calculs d'énergie libre et de nombreux autres calculs. Différentes stratégies d'échantillonnage des données appliquées à la construction des RMLPs sont également discutées, en mettant l'accent sur la manière de collecter des structures pour des événements rares et comment améliorer davantage leur performance avec l'apprentissage actif.