机构名称：
¥ 1.0
机器学习力量ELDS（MLFF）的实际应用旨在增强计算化学参考方法的能力，从而实现了否则不可行的动力模拟。实现此目标需要高度信任模拟结果，从而使MLFF模型成为研究和行业管道中的标准工具。通过对标准化的火车/玩具问题分裂的模型测试轻松地测试了大型建筑开发，而这种方法在机器学习（ML）社区中一直是标准的，创建了实际上对材料和分子科学研究有用的模型，需要复杂的系统规格C评估。即使是针对特定c系统的材料中最早的成功模型，也已经做到了这一点，在计算观察值，例如声子光谱，相变，缺陷形成能等方面都非常准确。，以及重现潜在能量表面和原子力的精确度。1 - 9之后，随着计算机科学界处理分子建模问题，他们的实践也变得突出，尤其是在比较不同的ML体系结构的作品中，开发人员评估了模型的准确性，主要是通过在能量和地面真理中评估其目标的误差和力量。10 - 29有一个广泛的观点，我们需要返回评估可观察结果。30同时，已经开发出了复杂的MLFF精度测度31 - 35和可视化工具29,36，以解决ML模型在本地和全球措施上的性能。50 - 57特别建议，长分子动力学（MD）模拟19,37 - 49在平均绝对误差（MAE）或均方根误差（RMSE）时，可以对MLFF可靠性作为身体行为的可靠性进行了可靠的测试。
TEA挑战中的分子动力学20 -RSC Publishing
主要关键词
相关文件推荐
