Using neural networks, optimized coordinates, and high-dimensional model representations to obtain a vinyl bromide potential surface
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
We demonstrate that it is possible to obtain good potentials using high-dimensional model representations (HDMRs) fitted with neural networks (NNs) from data in 12 dimensions and 15 dimensions. The HDMR represents the potential as a sum of lower-dimensional functions and our NN-based approach makes it possible to obtain all of these functions from one set of fitting points. To reduce the number of terms in the HDMR, we use optimized redundant coordinates. By using exponential neurons, one obtains a potential in sum-of-products form, which greatly facilitates quantum dynamics calculations. A 12-dimensional (reference) potential surface for vinyl bromide is first refitted to show that it can be represented as a sum of two-dimensional functions. To fit 3d functions of the original coordinates, to improve the potential, a huge amount of data would be required. Redundant coordinates avoid this problem. They enable us to bypass the combinatorial explosion of the number of terms which plagues all HDMR and multimode-type methods. We also fit to a set of approximately 70,000 ab initio points for vinyl bromide in 15 dimensions [M. Malshe et al., J. Chem. Phys. 127, 134105 (2007)] and show that it is possible to obtain a surface in sum-of-products form of quality similar to the quality of the full-dimensional fit. Although we obtain a full-dimensional surface, we limit the cost of the fitting by building it from fits of six-dimensional functions, each of which requires only a small NN.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle