Submitted 12 September, 2024; originally announced September 2024. , Comments: 17 pages, 4 figures, 1 tables, Supplementary information included as ancillary file (+16 pages)
توضیحات به فارسی
ارسال شده 12 سپتامبر 2024 ؛در ابتدا در سپتامبر 2024 اعلام شد ، نظرات: 17 صفحه ، 4 شکل ، 1 جدول ، اطلاعات تکمیلی که به عنوان پرونده جانبی (16 صفحه) گنجانده شده است
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
چکیده
Machine learning interatomic potentials (MLIPs) are used to estimate potential energy surfaces (PES) from ab initio calculations, providing near quantum-level accuracy with reduced computational costs. However, the high cost of assembling high-fidelity databases hampers the application of MLIPs to systems that require high chemical accuracy. Utilizing an equivariant graph neural network, we present an MLIP framework that trains on multi-fidelity databases simultaneously. This approach enables the accurate learning of high-fidelity PES with minimal high-fidelity data. We test this framework on the Li$_6$PS$_5$Cl and In$_x$Ga$_{1-x}$N systems. The computational results indicate that geometric and compositional spaces not covered by the high-fidelity meta-gradient generalized approximation (meta-GGA) database can be effectively inferred from low-fidelity GGA data, thus enhancing accuracy and molecular dynamics stability. We also develop a general-purpose MLIP that utilizes both GGA and meta-GGA data from the Materials Project, significantly enhancing MLIP performance for high-accuracy tasks such as predicting energies above hull for crystals in general. Furthermore, we demonstrate that the present multi-fidelity learning is more effective than transfer learning or $Δ$-learning an d that it can also be applied to learn higher-fidelity up to the coupled-cluster level. We believe this methodology holds promise for creating highly accurate bespoke or universal MLIPs by effectively expanding the high-fidelity dataset.
چکیده به فارسی (ترجمه ماشینی)
یادگیری ماشین پتانسیل های متقابل (MLIP) برای برآورد سطوح انرژی بالقوه (PE) از محاسبات AB Initio استفاده می شود و دقت در سطح کوانتومی نزدیک را با کاهش هزینه های محاسباتی فراهم می کند.با این حال ، هزینه بالای مونتاژ پایگاه داده های با وفاداری بالا مانع استفاده از MLIP ها در سیستم هایی است که نیاز به دقت شیمیایی بالایی دارند.با استفاده از یک شبکه عصبی نمودار Equivariant ، ما یک چارچوب MLIP را ارائه می دهیم که به طور همزمان در پایگاه داده های چند وفادار آموزش می دهد.این رویکرد یادگیری دقیق PES با وفاداری بالا با حداقل داده های وفاداری بالا را امکان پذیر می کند.ما این چارچوب را در سیستم های li $ _6 $ ps $ _5 $ cl و در $ $ ga $ _ {1-x} $ n آزمایش می کنیم.نتایج محاسباتی نشان می دهد که فضاهای هندسی و ترکیبی که تحت پوشش پایگاه داده تقریب کلی متا-گرادیت بالا (META-GGA) قرار نمی گیرند ، می توانند به طور موثری از داده های GGA کم وفاداری استنباط شوند ، بنابراین باعث افزایش دقت و ثبات دینامیک مولکولی می شوند.ما همچنین یک MLIP با هدف کلی ایجاد می کنیم که از داده های GGA و META-GGA از پروژه مواد استفاده می کند ، عملکرد MLIP را به طور قابل توجهی برای کارهای با دقت بالا مانند پیش بینی انرژی های بالاتر از هال برای کریستال ها به طور کلی افزایش می دهد.علاوه بر این ، ما نشان می دهیم که یادگیری چند وفاداری فعلی از یادگیری انتقال یا $ $-Learning یک D مؤثرتر است که می تواند برای یادگیری وفاداری بالاتر تا سطح خوشه ای نیز استفاده شود.ما معتقدیم که این روش با گسترش مؤثر مجموعه داده های با وفاداری بالا ، نوید ایجاد موزون بسیار دقیق یا MLIP های جهانی را در اختیار شما قرار می دهد.
📚 محتوای این محصول آموزشی (پکیج کامل)
علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیقتر و تسلط کامل بر مباحث مجموعهای از کتابهای آموزشی نیز ارائه میشود.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
