Новый метод SKMD ускоряет обучение межатомных потенциалов

Научная группа представила метод Stein Kernelized Molecular Dynamics (SKMD), который улучшает активное обучение межатомных потенциалов машинного обучения. Работа опубликована на arXiv и описывает новый подход к сбору обучающих данных для потенциалов межчастичного взаимодействия.

SKMD сочетает стохастический вариант градиентного спуска Штейна с молекулярной динамикой. Алгоритм использует взаимодействующие частицы для генерации конфигураций, которые наиболее информативны для обучения модели. При этом сохраняется распределение Больцмана, что гарантирует баланс между исследованием разнообразных структур и притяжением к высоковероятным областям энергетического ландшафта.

Ключевое преимущество метода — симметрийно-осознанное ядро глобальных атомных дескрипторов, которое измеряет сходство конфигураций с учётом симметрий. Это позволяет избежать сбора избыточных данных. Предложенный адаптивный критерий остановки выбирает только неповторяющиеся конфигурации, снижая объём обучающей выборки.

Эффективность SKMD продемонстрирована на двух задачах: активное обучение нейросетевой модели потенциала Мюллера-Брауна и дообучение потенциала MACE для аланин-дипептида. В обоих случаях метод достиг более высокой точности модели при меньшем числе итераций обучения по сравнению с базовыми подходами активного обучения.

Разработка может быть полезна для материаловедения и химии, где точные межатомные потенциалы позволяют моделировать свойства новых материалов. SKMD упрощает сбор качественных данных, сокращая время и ресурсы на подготовку обучающих наборов.

Авторы отмечают, что сохранение распределения Больцмана отличает SKMD от других методов усиленной выборки, применяемых в молекулярной динамике. Это свойство делает его пригодным для задач, требующих равновесного ансамбля состояний.