ترجمه فارسی مقاله تسریع آموزش و بهبود قابلیت اطمینان پتانسیل های بین اتمی یادگیری ماشینی برای مواد به شدت ناهارمونیک از طریق یادگیری فعال
عنوان مقاله به انگلیسی
Accelerating the Training and Improving the Reliability of Machine-Learned Interatomic Potentials for Strongly Anharmonic Materials through Active Learning
عنوان مقاله به فارسی
تسریع آموزش و بهبود قابلیت اطمینان پتانسیل های بین اتمی یادگیری ماشینی برای مواد به شدت ناهارمونیک از طریق یادگیری فعال
نویسندگان
Kisung Kang, Thomas A. R. Purcell, Christian Carbogno, Matthias Scheffler
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
Molecular dynamics (MD) employing machine-learned interatomic potentials (MLIPs) serve as an efficient, urgently needed complement to ab initio molecular dynamics (aiMD). By training these potentials on data generated from ab initio methods, their averaged predictions can exhibit comparable performance to ab initio methods at a fraction of the cost. However, insufficient training sets might lead to an improper description of the dynamics in strongly anharmonic materials, because critical effects might be overlooked in relevant cases, or only incorrectly captured, or hallucinated by the MLIP when they are not actually present. In this work, we show that an active learning scheme that combines MD with MLIPs (MLIP-MD) and uncertainty estimates can avoid such problematic predictions. In short, efficient MLIP-MD is used to explore configuration space quickly, whereby an acquisition function based on uncertainty estimates and on energetic viability is employed to maximize the value of the newly generated data and to focus on the most unfamiliar but reasonably accessible regions of phase space. To verify our methodology, we screen over 112 materials and identify 10 examples experiencing the aforementioned problems. Using CuI and AgGaSe$_2$ as archetypes for these problematic materials, we discuss the physical implications for strongly anharmonic effects and demonstrate how the developed active learning scheme can address these issues.
چکیده به فارسی (ترجمه ماشینی)
دینامیک مولکولی (MD) با استفاده از پتانسیل های بین اتمی که توسط ماشین (MLIP) استفاده می شود ، به عنوان یک مکمل کارآمد و فوری مورد نیاز برای دینامیک مولکولی Ab Initio (AIMD) عمل می کند.با آموزش این پتانسیل ها بر روی داده های حاصل از روشهای AB Initio ، پیش بینی های متوسط آنها می تواند عملکرد قابل مقایسه ای با روش های AB Initio را در کسری از هزینه نشان دهد.با این حال ، مجموعه های آموزشی کافی ممکن است منجر به توصیف نادرست از پویایی در مواد به شدت آنهرمونیک شود ، زیرا ممکن است اثرات مهم در موارد مربوطه نادیده گرفته شود ، یا فقط به طور نادرست اسیر شود ، یا در صورت وجود در واقع توسط MLIP توهم شود.در این کار ، ما نشان می دهیم که یک طرح یادگیری فعال که ترکیبی از MD با MLIP (MLIP-MD) و تخمین های عدم اطمینان است می تواند از چنین پیش بینی های مشکل ساز جلوگیری کند.به طور خلاصه ، MLIP-MD کارآمد برای کشف سریع فضای پیکربندی استفاده می شود ، به موجب آن یک عملکرد کسب بر اساس تخمین های عدم اطمینان و زنده ماندن پرانرژی برای به حداکثر رساندن ارزش داده های تازه تولید شده و تمرکز بر ناآشنا ترین اما در دسترس ترین مناطق در دسترس استفاده می شود.فضای فازبرای تأیید روش خود ، ما بیش از 112 ماده را غربالگری می کنیم و 10 نمونه ای را که مشکلات فوق الذکر را تجربه می کنند ، شناسایی می کنیم.با استفاده از CUI و Aggase $ _2 $ به عنوان Archetypes برای این مطالب مشکل ساز ، ما در مورد پیامدهای فیزیکی برای اثرات بسیار آنهرمونیک بحث می کنیم و نشان می دهیم که چگونه طرح یادگیری فعال توسعه یافته می تواند به این موضوعات بپردازد.
📚 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
