中国科学院刘佳
显示如何递归嵌入密度描述符的REANN模型示意图
信用:张姚龙等
在最近发表在《物理评论快报》上的一项研究中，教授领导的研究小组
中国科学院中国科学技术大学的蒋斌在他们之前创建高精度机器学习势面方法的基础上，提出了递归嵌入原子神经网络模型
随着机器学习技术的进步，构造势函数的一种常用方法是原子神经网络，其总能量是依赖于局部环境的每个原子能量的总和
三体描述符长期以来被认为是描述当地环境的完整描述
然而，最近的工作发现三体(甚至四体)描述符可能导致局部结构退化，从而不能完全描述局部环境
这个问题给提高人工神经网络潜在表面训练的精度带来了困难
使用递归嵌入密度描述符的REANN模型与物理上不太直观的消息传递神经网络具有相同的性质
研究人员证明，迭代传递信息(即更新轨道系数)以引入多体关联，可以在不显式计算高阶特征的情况下实现对局部环境的完整描述
通过对CH4和大量水数据集的测试，研究人员揭示了这种新模型的局部完备性和非局部性，并表明与现有的最大似然模型相比，它具有更好的准确性
该研究提供了一种通用的方法来轻松地改进现有的ML潜在表面框架，以包括更复杂的多体描述符，而不改变它们的基本结构
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
