مقاله ظهور انرژی‌های اتمی دقیق از پتانسیل‌های گاز نجیب یادگیری ماشینی

چکیده

The quantum theory of atoms in molecules (QTAIM) gives access to well-defined local atomic energies. Due to their locality, these energies are potentially interesting in fitting atomistic machine learning models as they inform about physically relevant properties. However, computationally, quantum-mechanically accurate local energies are notoriously difficult to obtain for large systems. Here, we show that by employing semi-empirical correlations between different components of the total energy, we can obtain well-defined local energies at a moderate cost. We employ this methodology to investigate energetics in noble liquids or argon, krypton, and their mixture. Instead of using these local energies to fit atomistic models, we show how well these local energies are reproduced by machine-learned models trained on the total energies. The results of our investigation suggest that smaller neural networks, trained only on the total energy of an atomistic system, are more likely to reproduce the underlying local energy partitioning faithfully than larger networks. Furthermore, we demonstrate that networks more capable of this energy decomposition are, in turn, capable of transferring to previously unseen systems. Our results are a step towards understanding how much physics can be learned by neural networks and where this can be applied, particularly how a better understanding of physics aids in the transferability of these neural networks.

چکیده به فارسی (ترجمه ماشینی)

نظریه کوانتومی اتمها در مولکول ها (QTAIM) دسترسی به انرژی های اتمی محلی به خوبی تعریف شده را می دهد.با توجه به محل آنها ، این انرژی ها به طور بالقوه در مناسب بودن مدل های یادگیری دستگاه اتمی جالب هستند زیرا در مورد خصوصیات جسمی مرتبط هستند.با این حال ، از نظر محاسباتی ، انرژی های محلی کوانتومی-مکانیکی دقیق برای دستیابی به سیستم های بزرگ بسیار دشوار هستند.در اینجا ، ما نشان می دهیم که با استفاده از همبستگی های نیمه تجربی بین مؤلفه های مختلف انرژی کل ، می توانیم انرژی های محلی کاملاً تعریف شده را با هزینه متوسط بدست آوریم.ما از این روش برای بررسی انرژی در مایعات نجیب یا آرگون ، کریپتون و مخلوط آنها استفاده می کنیم.به جای استفاده از این انرژی های محلی برای متناسب با مدل های اتمی ، ما نشان می دهیم که این انرژی های محلی توسط مدل های ماشین آموخته شده که بر روی انرژی کل آموزش داده می شوند ، چقدر خوب تولید می شوند.نتایج تحقیقات ما حاکی از آن است که شبکه های عصبی کوچکتر ، که فقط بر روی کل انرژی یک سیستم اتمی آموزش دیده اند ، بیشتر احتمال دارد که پارتیشن بندی انرژی محلی اساسی را با وفاداری نسبت به شبکه های بزرگتر بازتولید کنند.علاوه بر این ، ما نشان می دهیم که شبکه ها قادر به این تجزیه انرژی هستند ، به نوبه خود ، قادر به انتقال به سیستم های قبلاً غیب هستند.نتایج ما گامی در جهت درک چگونگی آموختن فیزیک توسط شبکه های عصبی است و از کجا می توان از آن استفاده کرد ، به ویژه چگونگی درک بهتر از فیزیک در قابلیت انتقال این شبکه های عصبی.