Building Transferable Potential Energy Surfaces with Machine Learning
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
Discovering and characterizing novel compounds to serve society is the overarching goal of chemical sciences. Nowadays, experimental and computational methods provide complementary approaches for navigating the vast diversity of chemical space to identify suitable compounds for a given task. A key component of many computational methods is accurate and efficient mapping of the potential energy surface (PES), which relates the geometry to the energy of a chemical system.1 From a quantum mechanical perspective, the PES can be accurately computed; however, existing methods are infeasible for large systems (e.g., proteins) because their computational cost grows explosively with the size of the system. For this reason, machine learning (ML) approaches are used to circumvent direct computation of the PES of various chemical systems.2 To obtain ML potentials, a supervised algorithm is trained to establish a relationship between the structure of a chemical system, such as a molecule or crystal, and an output, like the system’s total energy and the forces acting on each atom. Even though existing ML potentials can reach excellent accuracy when applied to structures within the training domain (i.e., interpolation), they typically have poor performance for structures outside their applicability domain (i.e., extrapolation). To overcome this, we train NewtonNet,3 a message-passing network for deep learning of interatomic potentials, with more chemically-inspired data to the ML algorithm than has been traditionally used. Our goal is to allow this ML potential to learn transferable chemical properties and test its performance when applied to systems beyond the scope of the training set. References Journal of Computational Chemistry, 2003, 24, 1514-1527. Chemical Reviews, 2021, 121, 9816-9872. Digital Discovery, 2022, 1, 333-343.
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 | 0,006 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découle