Diese Arbeit ist Teil einer Reihe von Projekten im Rahmen der Forschung von Viktor Zaverkin, die die effiziente Simulation der Molekulardynamik mit quantenmechanischer Genauigkeit erleichtern sollen. Da die genaue Berechnung von Kräften zwischen Atomen mit numerischen Methoden langsam ist, wird ein neuronales Netz (NN) als Surrogatmodell verwendet.
Sobald das NN mit den Daten aus den numerischen Methoden trainiert wurde, kann es Kräfte mit ähnlicher Genauigkeit, aber viel effizienter vorhersagen. Ein solches Ersatzmodell, das so genannte Gaussian Moments Neural Network (GM-NN), wurde von Zaverkin vorgeschlagen [1]. Die ausgezeichnete Arbeit [2] verbessert die Trainingsgeschwindigkeit von GM-NN um eine Größenordnung und erreicht dabei die gleiche oder eine bessere Genauigkeit. Dadurch eignet sich GM-NN für den Einsatz in aktiven Lernmethoden, bei denen das NN immer wieder neu trainiert wird, während es zur Auswahl der interessantesten Daten verwendet wird. In einer Folgearbeit untersuchen die Autoren dann verschiedene aktive Lernstrategien mit GM-NN [3].
[1] Viktor Zaverkin and Johannes Kästner, Gaussian moments as physically inspired molecular descriptors for accurate and scalable machine learning potentials, Journal of Chemical Theory and Computation, 2020
[2] Viktor Zaverkin, David Holzmüller, Ingo Steinwart, and Johannes Kästner, Fast and Sample-Efficient Interatomic Neural Network Potentials for Molecules and Materials Based on Gaussian Moments, Journal of Chemical Theory and Computation, 2021
[3] Viktor Zaverkin, David Holzmüller, Ingo Steinwart, and Johannes Kästner, Exploring chemical and conformational spaces by batch mode deep active learning, Digital Discovery, 2022
