BriefGPT - AI 论文速递
·
C3Net: 预测异质系统物理化学性质的原子间势神经网络
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
本文介绍了利用合成的原子级数据作为神经网络原子间势函数的预训练任务，可以提高计算实践中的数值精度和稳定性。作者通过一系列与碳相关的等变图神经网络势函数进行可行性验证，并进行了初步实验来测试该方法的局限性。
🎯
关键要点
- 基于机器学习的原子间势函数在材料建模领域产生了巨大影响。
- 势函数的质量和数量依赖于量子力学参考数据，开发数据集和训练流程成为挑战。
- 利用合成的原子级数据作为神经网络势函数的预训练任务是有益的。
- 经过大规模合成数据集的预训练后，模型可以在小型量子力学数据集上微调。
- 这种方法提高了计算实践中的数值精度和稳定性。
- 作者通过与碳相关的等变图神经网络势函数进行可行性验证。
- 进行了初步实验以测试该方法的局限性。
➡️
