JPCL | 什么是机器学习势所需要的：模拟导向训练

较低的势能误差并不能保证机器学习势在模拟中的良好性能。原因之一是很难在训练过程中平衡不同PES区域的描述。特别在训练含有许多严重扭曲构型的高变形能分子的全局PES数据时更是如此。

我们研究并展示了如何在训练中解决这个问题，以提高机器学习势在模拟而不是单纯在验证或测试集上的性能。在这项工作中，我们使用了能量加权训练，并对加权函数进行优化以获得更好的模拟结果。获得的机器学习势可用于繁重的扩散蒙特卡罗模拟——这需要数十亿次的精密计算才能获得准确的非谐零点振动能。

请参阅我们在JPCL中的论文了解更多详细信息，以及查看使用MLatom@XACS进行此类模拟的教程（https://xacs.xmu.edu.cn/docs/mlatom/releases.html#release-3-2-0-weight-e）

论文信息：

Tell Machine Learning Potentials What They Are Needed For: Simulation-Oriented Training Exemplified for Glycine. J. Phys. Chem. Lett.2024, 15, 4451–4460. 

Fuchun Ge, Ran Wang, Chen Qu, Peikun Zheng, Apurba Nandi, Riccardo Conte, Paul L. Houston, Joel M. Bowman*, Pavlo O. Dral* 

DOI: 10.1021/acs.jpclett.4c00746