Key points are not available for this paper at this time.
Reconstruir campos de força (FFs) a partir de dados de simulação atomística é um desafio, pois dados precisos podem ser extremamente caros. Aqui, modelos de aprendizado de máquina (ML) podem ajudar a serem econômicos em termos de dados, uma vez que podem ser restringidos com sucesso usando a simetria subjacente e as leis de conservação da física. No entanto, até agora, cada descritor recém-proposto para um modelo de ML exigiu uma remodelação complicada e matematicamente tediosa. Portanto, propomos o uso de técnicas modernas de diferenciação algorítmica dentro do processo de modelagem ML, permitindo efetivamente o uso de novos descritores ou modelos totalmente de forma automática, com uma eficiência computacional de magnitude superior. Essa abordagem paradigmática possibilita não apenas um uso versátil de novas representações e o cálculo eficiente de sistemas maiores - tudo de alto valor para a comunidade de FF - mas também a inclusão simples de mais conhecimento físico, como informações de ordem superior (por exemplo, Hessianos, restrições de equações diferenciais parciais mais complexas, etc.), mesmo além do domínio de FF apresentado.
Schmitz et al. (Mon,) estudaram essa questão.