OBIWAN: Ein elementweise skalierbares Feed-Forward-Neuronales Netzwerk-Potenzial

Die Schätzung der potentiellen Energie eines molekularen Systems auf einem quantenmechanischen Theorie-Niveau ist eine Aufgabe von größter Bedeutung in der theoretischen Chemie. Der häufig verwendete Ansatz der Dichtefunktionaltheorie ermöglicht es, diese Aufgabe zu erfüllen, jedoch meist zu erheblichen Rechenkosten. Dies hat die Gemeinschaft dazu veranlasst, sogenannte maschinelle Lernpotenziale zu entwickeln, um eine quasi-quantenmechanische Genauigkeit zu erreichen, ohne die hohen Kosten der molekularen Mechanik zu übernehmen. In diesem Papier introduzieren wir OBIWAN, ein Feed-Forward-neuronales Netzwerk, das einige relevante strukturelle Eigenschaften aufweist, die auch zur Definition einer neuen Art von allgemein einsetzbarem neuronalen Netzwerk-Schicht führten. Der Prozess der Merkmalserfassung skaliert effizient mit neu hinzugefügten atomaren Spezies. Dies ermöglicht es, nahtlos neue Atomsorten hinzuzufügen, ohne die Topologie des Netzwerks ändern zu müssen. Außerdem ermöglicht es, mit neuen Datensätzen zu trainieren, wobei ein zuvor trainiertes OBIWAN genutzt wird, wodurch eine sehr schnelle Konvergenz erreicht wird. Dies vermeidet das Training von Grund auf und macht den Ansatz umweltfreundlicher.