迭代机器学习原子间势(MLIP)训练方法技术

一种迭代机器学习原子间势(MLIP)训练方法。该训练方法包括在训练循环的第一迭代中训练第一多个第一MLIP模型。该训练方法还包括与第一训练步骤并行地在训练循环的第二迭代中训练第二多个第二MLIP模型。该训练方法还包括组合第一MLIP模型和第二MLIP模型以创建被配置为预测材料的一个或多个值的迭代训练的MLIP。MLIP可以是基于高斯过程(GP)的MLIP(例如，FLARE)。MLIP可以是基于图形神经网络(GNN)的MLIP(例如，NequIP或Allegro)。

【技术实现步骤摘要】

本专利技术通常涉及迭代机器学习原子间势(mlip)训练方法。mlip可以是基于高斯过程(gp)的mlip(例如flare)和/或基于图形神经网络(gnn)的mlip(例如nequip或allegro)。

技术介绍

1、从头计算(例如，密度泛函理论，也称为dft)已经被用于获得原子级材料相互作用能的精确估计。这些从头计算是计算昂贵的，因此具有高计算成本。机器学习的原子间势(mlip)可用于开发短程模型，其可以以接近从头计算的准确性推断相互作用能，同时将计算成本降低几个数量级。mlip作为准确性和计算效率之间的折衷，已经显示出了前景。

技术实现思路

1、根据一个实施例，公开了一种迭代机器学习原子间势(mlip)训练方法。该训练方法包括在训练循环的第一迭代中训练第一多个第一mlip模型。该训练方法还包括与第一训练步骤并行地在训练循环的第二迭代中训练第二多个第二mlip模型。该训练方法还包括组合第一mlip模型和第二mlip模型以创建迭代训练的mlip，该mlip被配置为预测材料的一个或多个值(例如，原子级和/或结构本文档来自技高网...

【技术保护点】

1.一种迭代机器学习原子间势(MLIP)训练方法，包括：

2.根据权利要求1所述的迭代MLIP训练方法，还包括用迭代训练的MLIP预测材料的一个或多个值。

3.根据权利要求1所述的迭代MLIP训练方法，其中所述一个或多个值包括总能量、原子力、原子应力、原子电荷和/或极化。

4.根据权利要求1所述的迭代MLIP训练方法，还包括当第一和/或第二MLIP模型的预测置信度降到低于预测置信度阈值时，调用第三MLIP模型。

5.根据权利要求1所述的迭代MLIP训练方法，还包括当第一和/或第二MLIP模型的预测不确定性超过预测不确定性阈值时，调用第三ML...

【技术特征摘要】

1.一种迭代机器学习原子间势(mlip)训练方法，包括：

2.根据权利要求1所述的迭代mlip训练方法，还包括用迭代训练的mlip预测材料的一个或多个值。

3.根据权利要求1所述的迭代mlip训练方法，其中所述一个或多个值包括总能量、原子力、原子应力、原子电荷和/或极化。

4.根据权利要求1所述的迭代mlip训练方法，还包括当第一和/或第二mlip模型的预测置信度降到低于预测置信度阈值时，调用第三mlip模型。

5.根据权利要求1所述的迭代mlip训练方法，还包括当第一和/或第二mlip模型的预测不确定性超过预测不确定性阈值时，调用第三mlip模型。

6.根据权利要求1所述的迭代mlip训练方法，其中第一mlip模型使用第一组超参数，并且第二mlip模型使用不同于第一组超参数的第二组超参数。

7.根据权利要求1所述的迭代mlip训练方法，其中第一mlip模型使用第一起始原子结构，并且第二mlip模型使用不同于第一起始原子结构的第二起始原子结构。

8.根据权利要求1所述的迭代mlip训练方法，其中第一mlip模型使用第一化学组成，并且第二mlip模型使用不同于第一化学组成的第二化学组成。

9.根据权利要求1所述的迭代mlip训练方法，还包括从第一和第二mlip模型的模型中选择迭代mlip模型，所述迭代mlip模型具有第一和第二mlip模型的误差中的最低误差。

10.根据权利要求1所述的迭代m...

【专利技术属性】
技术研发人员：李少军，M·科恩布鲁斯，N·莫里纳里，D·基恰耶夫，
申请(专利权)人：罗伯特·博世有限公司，
类型：发明
国别省市：