انتقال پذيري در پتانسيل هاي بين اتمي بر پايه يادگيري ماشيني

Transferability in machine learning based interatomic potentials

بر پايه تحليل پيرامون شيميايي كوتاه برد حول هر اتم يك سيستم، رهيافت هاي استاندارد يادگيري ماشين براي ساخت پتانسيل هاي بين اتمي مستقيما كميت هدف يك سيستم يعني انرژي كل را درون يابي مي كنند. در حقيقت اين روشها به طور محض بر اساس يك مدل رياضي كار مي كنند و از هيچ گونه فرم برگرفته از فيزيك و شيمي پيروي نمي كنند. در نتيجه آن، اين قبيل پتانسيل هاي بين اتمي به موجب نداشتن انتقال پذيري عملكرد ضعيفي نشان مي دهند هنگامي كه براي سيستم هايي به كار مي روند كه مشابه آنها در بانك اطلاعاتي برازش شان نباشد. تكنيك متعادل سازي توسط شبكه عصبي مصنوعي يك روش بر پايه يكسان سازي الكترونگاتيويتي است در حالي كه از ابزار قوي يادگيري ماشيني استفاده مي كند. در اينجا ما اين روش را معرفي مي كنيم و انتقال پذيري آن را از سيستم هاي خوشه اي به فازهاي بلوري بررسي مي كنيم.

Based on an analysis of the short range chemical environment of each atom in a system, standard machine learning based approaches to the construction of interatomic potentials aim at determining directly the central quantity which is the total energy. Indeed, these methods are based on purely mathematical models and do not account for any sort of physical or chemical principles. As a consequence, such interatomic potentials perform poorly due to lack of transferability when they are applied to systems not available in the fitting database. Charge equilibration via neural network technique is a method based on electronegativity equalization method while it employs the power of machine learning techniques. Here we introduce the method and present its transferability from cluster structures to crystalline phases