ترجمه فارسی مقاله بهینه‌سازی فراپارامتری برای پتانسیل‌های گسترش خوشه‌ای اتمی

چکیده

Machine-learning-based interatomic potentials enable accurate materials simulations on extended time- and lengthscales. ML potentials based on the Atomic Cluster Expansion (ACE) framework have recently shown promising performance for this purpose. Here, we describe a largely automated computational approach to optimizing hyperparameters for ACE potential models. We extend our openly available Python package, XPOT, to include an interface for ACE fitting, and discuss the optimization of the functional form and complexity of these models based on systematic sweeps across relevant hyperparameters. We showcase the usefulness of the approach for two example systems: the covalent network of silicon and the phase-change material Sb$_{2}$Te$_{3}$. More generally, our work emphasizes the importance of hyperparameter selection in the development of advanced ML potential models.

چکیده به فارسی (ترجمه ماشینی)

پتانسیل های بین اتمی مبتنی بر یادگیری ماشین ، شبیه سازی مواد دقیق را در طول و طول مدت طولانی و طولانی انجام می دهد.پتانسیل های ML بر اساس چارچوب گسترش خوشه اتمی (ACE) اخیراً عملکرد امیدوارکننده ای را برای این منظور نشان داده اند.در اینجا ، ما یک رویکرد محاسباتی کاملاً خودکار برای بهینه سازی هایپرپارامترها برای مدل های بالقوه ACE را شرح می دهیم.ما بسته پایتون آشکارا ، XPOT را در دسترس قرار می دهیم تا یک رابط کاربری برای اتصالات ACE را شامل شود و در مورد بهینه سازی فرم عملکردی و پیچیدگی این مدلها بر اساس رفت و برگشت های سیستماتیک در بین هیپرامترهای مربوطه بحث کنیم.ما سودمندی رویکرد را برای دو سیستم مثال به نمایش می گذاریم: شبکه کووالانسی سیلیکون و مواد تغییر فاز SB $ _ {2} $ te $ _ {3} $.به طور کلی ، کار ما بر اهمیت انتخاب هایپرپارامتر در توسعه مدلهای بالقوه پیشرفته ML تأکید دارد.