Applying the active learning strategy to the construction of full-dimensional neural network potential energy surfaces: Critical tests in H2O–He spectroscopic calculation
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.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».