Physics-Informed Weakly Supervised Learning for Interatomic Potentials

要約

機械学習は、計算化学および材料科学においてますます重要な役割を果たし、計算集中的なAB initioおよび第一原理的方法を補完します。
その有用性にもかかわらず、機械学習モデルは、原子論的シミュレーション中に一般化能力と堅牢性を欠いていることが多く、実際のアプリケーションを妨げる非物理的エネルギーと力の予測をもたらします。
この課題に対処し、機械学習された原子間ポテンシャル（MLIP）をトレーニングするための物理学に基づいた、弱く監視されているアプローチを導入します。
2つの新しい損失関数を導入し、テイラーの拡張を介してポテンシャルエネルギーを推定し、保守的な力の概念を使用します。
私たちのアプローチは、まばらなトレーニングデータセットを使用したトレーニングタスクに適用されるMLIPの精度を改善し、大規模なデータセットでトレーニング前の計算要求のモデルの必要性を減らします。
特に、さまざまなベースラインモデルとベンチマークデータセットについて、エネルギーと力のエラーが低下し、力の低下と2倍低いことを示す広範な実験を実行します。
さらに、提案された弱く監視された損失で訓練されたMLIPモデルのMDシミュレーション中に、堅牢性の改善を示します。
最後に、私たちのアプローチは、まばらで非常に正確なab initioデータに関する基礎モデルの微調整を改善します。
実験を実行するためのメソッドとスクリプトの実装は、https：//github.com/nec-research/picps-ml4sciで入手できます。

要約(オリジナル)

Machine learning plays an increasingly important role in computational chemistry and materials science, complementing computationally intensive ab initio and first-principles methods. Despite their utility, machine-learning models often lack generalization capability and robustness during atomistic simulations, yielding unphysical energy and force predictions that hinder their real-world applications. We address this challenge by introducing a physics-informed, weakly supervised approach for training machine-learned interatomic potentials (MLIPs). We introduce two novel loss functions, extrapolating the potential energy via a Taylor expansion and using the concept of conservative forces. Our approach improves the accuracy of MLIPs applied to training tasks with sparse training data sets and reduces the need for pre-training computationally demanding models with large data sets. Particularly, we perform extensive experiments demonstrating reduced energy and force errors — often lower by a factor of two — for various baseline models and benchmark data sets. Moreover, we demonstrate improved robustness during MD simulations of the MLIP models trained with the proposed weakly supervised loss. Finally, our approach improves the fine-tuning of foundation models on sparse, highly accurate ab initio data. An implementation of our method and scripts for executing experiments are available at https://github.com/nec-research/PICPS-ML4Sci.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google