ترجمه فارسی مقاله ساخت مدل یادگیری دستگاه اتمی دقیق و کارآمد با دقت قابل انتقال با دقت قابل انتقال برای شیمی کوانتومی

چکیده

Density Functional Theory (DFT) has been a cornerstone in computational science, providing powerful insights into structure-property relationships for molecules and materials through first-principles quantum-mechanical (QM) calculations. However, the advent of atomistic machine learning (ML) is reshaping the landscape by enabling large-scale dynamics simulations and high-throughput screening at DFT-equivalent accuracy with drastically reduced computational cost. Yet, the development of general-purpose atomistic ML models as surrogates for QM calculations faces several challenges, particularly in terms of model capacity, data efficiency, and transferability across chemically diverse systems. This work introduces a novel extension of the polarizable atom interaction neural network (namely, XPaiNN) to address these challenges. Two distinct training strategies have been employed, one direct-learning and the other $Δ$-ML on top of a semi-empirical QM method. These methodologies have been implemented within the same framework, allowing for a detailed comparison of their results. The XPaiNN models, in particular the one using $Δ$-ML, not only demonstrate competitive performance on standard benchmarks, but also demonstrate the effectiveness against other ML models and QM methods on comprehensive downstream tasks, including non-covalent interactions, reaction energetics, barrier heights, geometry optimization and reaction thermodynamics, etc. This work represents a significant step forward in the pursuit of accurate and efficient atomistic ML models of general-purpose, capable of handling complex chemical systems with transferable accuracy.

چکیده به فارسی (ترجمه ماشینی)

نظریه عملکردی چگالی (DFT) سنگ بنای علوم محاسباتی بوده است و بینش های قدرتمندی در مورد روابط ساختار و ساختار برای مولکول ها و مواد از طریق محاسبات کوانتومی مکانیکی (QM) در اصل ارائه می دهد.با این حال ، ظهور یادگیری ماشین اتمی (ML) با فعال کردن شبیه سازی دینامیک در مقیاس بزرگ و غربالگری با توان بالا با دقت معادل DFT با کاهش شدید هزینه محاسباتی ، در حال تغییر شکل چشم انداز است.با این حال ، توسعه مدلهای ML اتمی با هدف کلی به عنوان جانشین برای محاسبات QM با چالش های مختلفی روبرو است ، به ویژه از نظر ظرفیت مدل ، راندمان داده ها و قابلیت انتقال در سیستم های شیمیایی متنوع.این کار یک برنامه جدید از شبکه عصبی تعامل اتم قابل قطبش (یعنی XPAINN) را برای پرداختن به این چالش ها معرفی می کند.دو استراتژی آموزش مجزا به کار رفته است ، یکی یادگیری مستقیم و دیگری $ δ $ -ml در بالای یک روش QM نیمه تجربی.این روشها در همان چارچوب اجرا شده اند و امکان مقایسه دقیق نتایج آنها را فراهم می کنند.مدل های Xpainn ، به ویژه موردی که $ δ $ -ml با استفاده از $ $ -ml ، نه تنها عملکرد رقابتی را در معیارهای استاندارد نشان می دهد ، بلکه اثربخشی را در برابر سایر مدلهای ML و روشهای QM در کارهای جامع پایین دست ، از جمله تعامل غیر کووالانسی ، بهبود واکنش ، نشان می دهد.ارتفاع سد ، بهینه سازی هندسه و ترمودینامیک واکنش و غیره. این کار نشان دهنده یک گام مهم در جستجوی مدل های ML دقیق و کارآمد ML با هدف عمومی است که قادر به دستیابی به سیستم های شیمیایی پیچیده با دقت قابل انتقال است.