A Nested Molecule-Independent Neural Network Approach for High-Quality Potential Fits
Notice bibliographique
Résumé
It is shown that neural networks (NNs) are efficient and effective tools for fitting potential energy surfaces. For H2O, a simple NN approach works very well. To fit surfaces for HOOH and H2CO, we develop a nested neural network technique in which we first fit an approximate NN potential and then use another NN to fit the difference of the true potential and the approximate potential. The root-mean-square error (RMSE) of the H2O surface is 1 cm(-1). For the 6-D HOOH and H2CO surfaces, the nested approach does almost as well attaining a RMSE of 2 cm(-1). The quality of the NN surfaces is verified by calculating vibrational spectra. For all three molecules, most of the low-lying levels are within 1 cm(-1) of the exact results. On the basis of these results, we propose that the nested NN approach be considered a method of choice for both simple potentials, for which it is relatively easy to guess a good fitting function, and complicated (e.g., double well) potentials for which it is much harder to deduce an appropriate fitting function. The number of fitting parameters is only moderately larger for the 6-D than for the 3-D potentials, and for all three molecules, decreasing the desired RMSE increases only slightly the number of required fitting parameters (nodes). NN methods, and in particular the nested approach we propose, should be good universal potential fitting tools.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».