ترجمه فارسی مقاله پتانسیل یادگیری ماشینی با حد آستانه دوگانه برای سیستم‌های آلی متراکم که از طریق یادگیری فعال هدایت‌شده با عدم قطعیت به دست آمده‌اند

چکیده

Machine-learned potentials (MLPs) trained on ab initio data combine the computational efficiency of classical interatomic potentials with the accuracy and generality of the first-principles method used in the creation of the respective training set. In this work, we implement and train a MLP to obtain an accurate description of the potential energy surface and property predictions for organic compounds, as both single molecules and in the condensed phase. We devise a dual descriptor, based on the atomic cluster expansion (ACE), that couples an information-rich short-range description with a coarser long-range description that captures weak intermolecular interactions. We employ uncertainty-guided active learning for the training set generation, creating a dataset that is comparatively small for the breadth of application and consists of alcohols, alkanes, and an adipate. Utilizing that MLP, we calculate densities of those systems of varying chain lengths as a function of temperature, obtaining a discrepancy of less than 4% compared with experiment. Vibrational frequencies calculated with the MLP have a root mean square error of less than 1 THz compared to DFT. The heat capacities of condensed systems are within 11% of experimental findings, which is strong evidence that the dual descriptor provides an accurate framework for the prediction of both short-range intramolecular and long-range intermolecular interactions.

چکیده به فارسی (ترجمه ماشینی)

پتانسیل های یادگیری ماشین (MLPs) که بر روی داده های Ab Initio آموزش داده شده اند ، بازده محاسباتی پتانسیل های بین اتمی کلاسیک را با دقت و کلی بودن روش اصول اول مورد استفاده در ایجاد مجموعه آموزش مربوطه ترکیب می کنند.در این کار ، ما یک MLP را اجرا و آموزش می دهیم تا توضیحات دقیقی از سطح انرژی بالقوه و پیش بینی های خاصیت برای ترکیبات آلی بدست آوریم ، به عنوان هم مولکول های منفرد و هم در مرحله چگالش.ما یک توصیف کننده دوگانه را بر اساس انبساط خوشه اتمی (ACE) ابداع می کنیم ، که توضیحات کوتاه مدت غنی از اطلاعات را با توضیحات دوربرد درشت تر که تعامل بین مولکولی ضعیف را ضبط می کند ، زوج می کند.ما از یادگیری فعال بدون اطمینان برای تولید مجموعه آموزش استفاده می کنیم ، یک مجموعه داده ایجاد می کنیم که نسبتاً کوچک برای وسعت کاربرد است و از الکلها ، آلکان ها و چیدگی تشکیل شده است.با استفاده از آن MLP ، ما چگالی آن سیستم های دارای طول زنجیره مختلف را به عنوان تابعی از دما محاسبه می کنیم و در مقایسه با آزمایش ، اختلاف کمتر از 4 ٪ را بدست می آوریم.فرکانس های ارتعاش محاسبه شده با MLP دارای میانگین خطای مربع ریشه کمتر از 1 THz در مقایسه با DFT است.ظرفیت های گرمای سیستم های متراکم در 11 ٪ از یافته های آزمایشی قرار دارد ، که شواهد محکمی است که توصیف کننده دوگانه یک چارچوب دقیق برای پیش بینی هر دو تعامل درون مولکولی و دوربرد بین مولکولی را فراهم می کند.