ترجمه فارسی مقاله یادگیری ضعیف تحت نظارت فیزیک برای پتانسیل‌های بین اتمی

چکیده

Machine learning plays an increasingly important role in computational chemistry and materials science, complementing computationally intensive ab initio and first-principles methods. Despite their utility, machine-learning models often lack generalization capability and robustness during atomistic simulations, yielding unphysical energy and force predictions that hinder their real-world applications. We address this challenge by introducing a physics-informed, weakly supervised approach for training machine-learned interatomic potentials (MLIPs). We introduce two novel loss functions, extrapolating the potential energy via a Taylor expansion and using the concept of conservative forces. Our approach improves the accuracy of MLIPs applied to training tasks with sparse training data sets and reduces the need for pre-training computationally demanding models with large data sets. Particularly, we perform extensive experiments demonstrating reduced energy and force errors — often lower by a factor of two — for various baseline models and benchmark data sets. Finally, we show that our approach facilitates MLIPs’ training in a setting where the computation of forces is infeasible at the reference level, such as those employing complete-basis-set extrapolation.

چکیده به فارسی (ترجمه ماشینی)

یادگیری ماشین نقش مهمی در شیمی محاسباتی و علوم مواد بازی می کند و روشهای محاسباتی فشرده و ابتدایی و اصول اول را تکمیل می کند.علیرغم کاربرد آنها ، مدل های یادگیری ماشین اغلب در طول شبیه سازی های اتمی فاقد توانایی تعمیم و استحکام هستند ، و پیش بینی های نیروهای غیر فیزیکی و پیش بینی های نیرویی دارند که مانع کاربردهای دنیای واقعی آنها می شوند.ما با معرفی یک رویکرد ضعیف و ضعیف تحت نظارت فیزیک برای آموزش پتانسیل های متقابل ماشین آموخته شده (MLIP) به این چالش می پردازیم.ما دو عملکرد از دست دادن جدید را معرفی می کنیم ، انرژی بالقوه را از طریق انبساط تیلور و با استفاده از مفهوم نیروهای محافظه کار برون می کنیم.رویکرد ما صحت MLIP های اعمال شده در کارهای آموزشی با مجموعه داده های آموزشی پراکنده را بهبود می بخشد و نیاز به مدل های محاسباتی قبل از محاسباتی را با مجموعه داده های بزرگ کاهش می دهد.به ویژه ، ما آزمایش های گسترده ای را نشان می دهیم که نشان دهنده کاهش انرژی و خطاهای نیرو – که اغلب با یک عامل دو پایین تر است – برای مدل های مختلف پایه و مجموعه داده های معیار.سرانجام ، ما نشان می دهیم که رویکرد ما آموزش MLIPS را در شرایطی که محاسبه نیروها در سطح مرجع غیرقابل نفوذ است ، مانند مواردی که از برون یابی کامل تنظیم می کنند ، تسهیل می کند.