در زمینه شیمی و مواد، موفق‌ترین و پرکاربردترین طرح‌های یادگیری ماشینی که در دهه گذشته معرفی شده‌اند، با هدف مدل‌سازی انرژی‌های مولکولی یا پتانسیل‌های بین اتمی هستند. بر این اساس، نمایش‌هایی که برای نگاشت پیکربندی‌های اتمی در بردارهای توصیف‌گر یا ویژگی‌های مورد استفاده به عنوان ورودی‌های مدل استفاده می‌شوند، منعکس‌کننده ویژگی‌های اساسی پتانسیل بین اتمی هستند، مانند تغییر ناپذیری در جایگشت بین اتم‌های یکسان، چرخش جامد، یا وارونگی ساختار مولکولی. آنها همچنین مفاهیم محلی و نزدیک بینی را منعکس می کنند - این ایده که خواص الکترونیکی محلی بالقوه به طور قابل توجهی به پتانسیل خارجی موثر فقط در نقاط نزدیک بستگی دارد - بسیاری از اجزای انرژی بین اتمی.
این تمرکز، به ویژه بر روی زمین و نزدیک بینی، منجر به استفاده از ویژگی های اتم محور شده است که آرایش همسایگان را در اطراف یک اتم خاص توصیف می کند. چنین نمایش‌هایی با محوریت اتم برای ساخت مدل‌هایی از خواص مانند سپرهای شیمیایی NMR که به یک مرکز اتمی منفرد مرتبط هستند، استفاده شده‌اند. و، بلکه برای بیان ویژگی های جهانی مانند انرژی مولکولی به عنوان مجموع مشارکت های متمرکز اتمی.
اخیراً، نیاز به ساخت مدل‌های مبتنی بر داده از ویژگی‌های اتمی مانند گشتاورهای دوقطبی و قطبش‌پذیری، که ساختارهای پیچیده‌تری دارند، منجر به تعمیم مدل‌های متقارن-نامتغیر شده است. اگرچه این منجر به رفتاری معادل با توجه به چرخش ها و وارونگی ها می شود، بازنمایی ها معمولاً هنوز در ارتباط با چارچوب های اتم محور استفاده می شوند. این مشکل ساز است زیرا چندین ویژگی، مانند پیوندهای J در NMR، که برهمکنش مغناطیسی بین چرخش های هسته ای یا عناصر ماتریس یک ذره، هامیلتونی الکترونیکی موثر را توصیف می کند. Ĥ هنگامی که بر اساس مداری اتمی نوشته می شوند، به طور جدایی ناپذیری با چندین مرکز اتمی مرتبط هستند.
سپس روش‌های نیمه تجربی بهبود یافته را می‌توان با ساخت مدل‌های مبتنی بر داده به دست آورد که بیشتر با محاسبات ساختار الکترونیکی صریح مطابقت دارند. ماشینی یاد گرفت Ĥ به عنوان مثال، ممکن است به محققان اجازه دهد تا به موارد مشاهده‌ای مانند تحریکات نوری دسترسی داشته باشند یا به عنوان ورودی به یک خانواده در حال ظهور از مدل‌های ML استفاده کنند که خواص مولکولی را با استفاده از عناصر ماتریس محاسبه‌شده توسط محاسبات ساختار الکترونیکی صریح یا مقادیر ویژه مربوطه پیش‌بینی می‌کنند. رویکردهای ML موجود که سعی در پیش‌بینی همیلتونی مولکولی دارند، این کار را با اصلاح موقت ویژگی‌های متمرکز اتمی یا با توسعه ویژگی‌های دوگانه انجام می‌دهند: آنها به صراحت شامل تقارن چرخشی نیستند و در عوض بر افزایش داده‌ها برای گنجاندن آنها در مدل تکیه می‌کنند.
در تلاش برای ارائه یک مبنای ریاضی محکم‌تر برای مسئله پیش‌بینی این نوع ویژگی‌ها، محققان میشل سریوتی، جیگاسا نیگام و مایکل ویلات، همگی از آزمایشگاه علوم محاسباتی و مدل‌سازی (COSMO) در موسسه فناوری فدرال سوئیس در لوزان (EPFL). ) یک نمایش متقارن از مرکز N را معرفی کرده اند که یک چارچوب طبیعی و کاملاً معادل برای ویژگی های یادگیری مرتبط با اتم N ارائه می دهد.
ترکیب شاخص اتمی و هم ارزی هندسی مستلزم تقسیم ورودی‌های ماتریس همیلتون به بلوک‌هایی با رفتار تقارن کاملاً مشخص است، اما منجر به مدل‌های ساده‌تر با تنظیمات مرجع کمتری می‌شود که برای دستیابی به پیش‌بینی‌های پایدار و دقیق از تقارن کافی است. Ĥ. به طور خاص، مدل هم تقارن های کلی را که به صراحت تعبیه شده اند و هم آنهایی را که به تقارن های خاص گروهی از نقاط مرتبط هستند در صورت وجود در نظر می گیرد. این به این معنی است که این مدل به گونه ای طراحی شده است که شامل نظریه یادگیری مدارهای مولکولی باشد.
پس از نشان دادن این ویژگی‌های اساسی مثال‌های ساده با بررسی نقش پایه مداری بر عملکرد مدل، محققان به تحلیل روش برای مشکلات افزایش پیچیدگی ادامه دادند. آنها دریافتند که این رویکرد دقت بسیار خوبی را برای مجموعه داده های همگن H تحریف شده ارائه می دهد2مولکول‌های O، با رگرسیون خطی، به دقت قابل مقایسه با مدل‌های یادگیری عمیق غیرتقارن، اما تنها با کسری کوچک از اندازه مجموعه آموزشی دست می‌یابند. کار بر روی سیستم‌های پیچیده‌تر مانند اتانول یا مجموعه‌ای از داده‌های مولکول‌های آلی کوچک نشان داده است که تمرکز ML روی مهم‌ترین بخش حالت‌های انرژی الکترونیکی - یعنی نادیده گرفتن مواد خالی پرانرژی - حداقل به اندازه جزئیات ML مهم است. رویکرد. یکی از راه‌های انجام این کار، که در کار آنها بررسی شده است، معرفی یک همیلتونی طراحی شده با تقارن است، یک ماتریس کوچک‌تر که فقط ظرفیت‌ها و حالت‌های ویژه خالی و کم ارتفاع را بازتولید می‌کند، در حالی که همه تقارن‌های هندسی دیگر را حفظ می‌کند.
محققان به این نتیجه رسیدند که نمایش‌های چرخشی سازگار با تقارن، جایگشت اتمی و معادل با پیشرفته‌ترین مدل‌های یادگیری عمیق، علی‌رغم استفاده از رگرسیون خطی یا هسته‌ای، قابل رقابت هستند و برای توصیف کمیت‌های مرتبط با چندین مرکز اتمی مناسب هستند. . نمایش های مرکز N را نیز می توان به راحتی در فاز متراکم اعمال کرد. گام بعدی، با توجه به ساخت توصیفگرهای کاملاً معادل خوشه‌های اتمی مرکز N، معرفی اصطلاحات مرتبه بالاتر یا به طور صریح یا از طریق مدل‌های غیرخطی پیچیده‌تر خواهد بود.
"طراحی کلی که ما در اینجا ارائه می کنیم چارچوبی به راحتی قابل توسعه برای این کار فراهم می کند، همچنین برای مدل سازی انتگرال های 3 مرکزی و مقادیر N بالاتر، مجموعه کاملی از اجزای محاسبات شیمی کوانتومی را در محدوده مدار ماشین معادل قرار می دهد. به گفته محققان، نمودارها.
ارائه شده توسط مرکز ملی صلاحیت پژوهشی (NCCR) MARVEL
نقل قول: نمایش معادل هامیلتونی های مولکولی و خواص مقیاس اتمی مرکز N (2022، 10 ژانویه)، بازیابی شده در 11 ژانویه 2022 از https://phys.org/news/2022-01-equivariant-representations-molecular-hamiltonians - n-center .html
این برگه یا سند یا نوشته تحت پوشش قانون کپی رایت است. به جز هرگونه معامله منصفانه به منظور تحقیق یا مطالعه خصوصی، هیچ بخشی بدون اجازه کتبی قابل تکثیر نیست. محتوا فقط برای مقاصد اطلاعاتی ارائه شده است.
[ad_2]
مقالات مشابه
- علوم و تجهیزات آزمایشگاهی - راهنمای تحقیق
- خرید 30 مدل بهترین شومیز زنانه مجلسی خاص ارزان 2022 - کافه راهنما
- محققان در حال کمک به میامی برای مبارزه با آلودگی پلاستیکی هستند
- جو Tessitore Booger مک فارلند در 'دوشنبه شب فوتبال' در گزارش
- مرگ مواد شیمیایی
- The New York Post: Man dies from eating excessive amount of black licorice
- تحقیقات راه اندازی می شود به لویی شهردار را از دست داده و Breonna تیلور مورد
- Letting it ride on the Reds and the Rays
- شرکت صادرات و واردات کالاهای مختلف از جمله کاشی و سرامیک و ارائه دهنده خدمات ترانزیت و بارگیری دریایی و ریلی و ترخیص کالا برای کشورهای مختلف از جمله روسیه و کشورهای حوزه cis و سایر نقاط جهان - بازرگانی علی قانعی
- شرکت صادرات و واردات کالاهای مختلف از جمله کاشی و سرامیک و ارائه دهنده خدمات ترانزیت و بارگیری دریایی و ریلی و ترخیص کالا برای کشورهای مختلف از جمله روسیه و کشورهای حوزه cis و سایر نقاط جهان - بازرگانی علی قانعی