近期，中國科大學(xué)蔣彬教授課題組在發(fā)展高精度機(jī)器學(xué)習(xí)方法上取得新進(jìn)展，最新成果以“Physically Motivated Recursively Embedded Atom Neural Networks: Incorporating Local Completeness and Nonlocality”為題發(fā)表于《物理評論快報(bào)》(Physical Review Letters) 上。原子模擬可以幫助我們在微觀層面理解分子光譜、反應(yīng)動(dòng)力學(xué)和能量/電荷轉(zhuǎn)移過程。發(fā)展精確且高效的勢能面對于模擬這些過程至關(guān)重要。近年來，隨著機(jī)器學(xué)習(xí)技術(shù)的發(fā)展，原子神經(jīng)網(wǎng)絡(luò)框架已經(jīng)成為構(gòu)建勢函數(shù)的常用方法。在這個(gè)框架下，體系總能量可以拆分為每個(gè)原子能量之和，原子能量被認(rèn)為是原子局部化學(xué)環(huán)境的函數(shù)，長期以來人們都認(rèn)為基于三體的描述符已經(jīng)足夠描述局部的原子化學(xué)環(huán)境。但近期有工作發(fā)現(xiàn)這些基于三體甚至四體相互作用的描述符會(huì)導(dǎo)致一些非物理的原子能量簡并，不能完備的描述局部化學(xué)環(huán)境。這會(huì)使得目前絕大多數(shù)原子型神經(jīng)網(wǎng)絡(luò)勢能面的訓(xùn)練會(huì)受到這種簡并扭曲構(gòu)型空間的影響，難以進(jìn)一步提高精度。 162qx