एम्बेडेड एटम न्यूरल नेटवर्क पोटेंशियल: एक भौतिक रूप से प्रेरित प्रतिनिधित्व के साथ कुशल और सटीक मशीन लर्निंग

हम एक साधारण, लेकिन कुशल और सटीक, मशीन लर्निंग (एमएल) मॉडल का प्रस्ताव करते हैं जो उच्च-आयामी संभावित ऊर्जा सतह विकसित करने के लिए है। इस प्रकार के एम्बेडेड एटम न्यूरल नेटवर्क (ईएएनएन) दृष्टिकोण को संघनित चरण में उपयोग किए जाने वाले प्रसिद्ध अनुभवजन्य एम्बेडेड एटम विधि (ईएएम) मॉडल से प्रेरणा मिली है। यह सरलता से ईएएम में स्केलर एम्बेडेड एटम घनत्व को एक गॉसियन-प्रकार की कक्षीय आधारित घनत्व वेक्टर से बदलता है और एम्बेडेड घनत्व वेक्टर और परमाणु ऊर्जा के बीच के जटिल संबंध का प्रतिनिधित्व न्यूरल नेटवर्क के माध्यम से करता है। हम यह प्रदर्शित करते हैं कि ईएएनएन दृष्टिकोण कई स्थापित एमएल मॉडलों के रूप में सटीक है, जो बड़े आणविक और विस्तारित आवर्ती प्रणालियों दोनों का प्रतिनिधित्व करता है, फिर भी बहुत कम पैरामीटर और कॉन्फ़िगरेशन के साथ। यह अत्यधिक कुशल है क्योंकि यह पारंपरिक लागत वाली कोणीय वर्णनकर्ताओं के स्पष्ट योग के बिना अंतर्निहित तीन-शरीर की जानकारी को शामिल करता है। उच्च सटीकता और दक्षता के साथ, ईएएनएन पोटेंशियल जटिल प्रणालियों में अब इनिशियो स्तर पर आणविक गतिशीलता और स्पेक्ट्रोस्कोपिक सिमुलेशन को तेजी से तेज कर सकते हैं।