Aprendizado hipoativo para potenciais interatômicos baseados em dados

Potenciais interatômicos baseados em dados emergiram como uma ferramenta poderosa para aproximar superfícies de energia potencial ab initio. O passo que consome mais tempo na criação desses potenciais interatômicos é tipicamente a geração de um banco de dados de treinamento adequado. Para auxiliar esse processo, o aprendizado hipoativo (HAL), um esquema de aprendizado ativo acelerado, é apresentado como um método para uma rápida montagem automatizada de bancos de dados de treinamento. O HAL adiciona um termo de viés a um amostrador motivado fisicamente (por exemplo, dinâmica molecular) dirigindo estruturas atômicas em direção à incerteza, gerando assim configurações de treinamento não vistas ou valiosas. A estrutura proposta de HAL é usada para desenvolver potenciais interatômicos de expansão de aglomerados atômicos (ACE) para a liga AlSi10 e o polímero polietileno glicol (PEG), começando a partir de aproximadamente uma dúzia de configurações iniciais. Os potenciais ACE gerados pelo HAL demonstram ser capazes de determinar propriedades macroscópicas, como temperatura de fusão e densidade, com precisão próxima à experimental.