Atomic Permutationally Invariant Polynomials for Fitting Molecular Force\n Fields
Notice bibliographique
Résumé
We introduce and explore an approach for constructing force fields for small\nmolecules, which combines intuitive low body order empirical force field terms\nwith the concepts of data driven statistical fits of recent machine learned\npotentials. We bring these two key ideas together to bridge the gap between\nestablished empirical force fields that have a high degree of transferability\non the one hand, and the machine learned potentials that are systematically\nimprovable and can converge to very high accuracy, on the other. Our framework\nextends the atomic Permutationally Invariant Polynomials (aPIP) developed for\nelemental materials in [Mach. Learn.: Sci. Technol. 2019 1 015004] to molecular\nsystems. The body order decomposition allows us to keep the dimensionality of\neach term low, while the use of an iterative fitting scheme as well as\nregularisation procedures improve the extrapolation outside the training set.\nWe investigate aPIP force fields with up to generalised 4-body terms, and\nexamine the performance on a set of small organic molecules. We achieve a high\nlevel of accuracy when fitting individual molecules, comparable to those of the\nmany-body machine learned force fields. Fitted to a combined training set of\nshort linear alkanes, the accuracy of the aPIP force field still significantly\nexceeds what can be expected from classical empirical force fields, while\nretaining reasonable transferability to both configurations far from the\ntraining set and to new molecules.\n
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».