Atomic Permutationally Invariant Polynomials for Fitting Molecular Force\n Fields
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 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.
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 | 0,000 | 0,001 |
| 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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