Applying the active learning strategy to the construction of full-dimensional neural network potential energy surfaces: Critical tests in H2O–He spectroscopic calculation
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
An uncertainty-driven active learning strategy was employed to achieve efficient point sampling for full-dimension potential energy surface constructions. Model uncertainty is defined as the weighted square energy difference between two neural network models, and the local maximums of uncertainty would be added to the training set by two criteria. A two-step sampling procedure was introduced to reduce the computational costs of expansive double-precision neural network training. A reference potential energy surface (PES) of the 6-D H2O-He system was constructed first by the MLRNet model with a weighted Root-Mean-Square-Error (RMSE) of 0.028 cm-1. The full-dimension long-range function was fitted by a pruned basis expansion method. The current sampling method is reliable for the long-range switched fundamental invariant neural network (LS-FI-NN) to construct spectroscopically accurate PES, where the single precision model achieves a test set RMSE of 0.3253 cm-1 with 472 fitting points and the double precision model is 0.0710 cm-1 with only 613 points. In comparison, the MLRNet requires 652 points to reach a similar accuracy. However, the MLRNet, with fewer parameters, shows lower training errors across all sampling cycles and lower test errors in the first few cycles, indicating its potential with an appropriate sampling procedure. The spectroscopic calculations were performed to validate the accuracy of PESs. The energy levels of the double precision LS-FI-NN showed great agreement with the reference PES's results, with only 0.0161 and 0.0044 cm-1 average errors for vibrational levels and the band origin shifts.
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 | 0,001 | 0,000 |
| 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) | 0,000 | 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