Using neural networks, optimized coordinates, and high-dimensional model representations to obtain a vinyl bromide potential surface
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».