文章目录
- 前言
- 一、模型架构
- 二、嵌入
-
- 1.原子类型区分
- 2.角度函数修正
前言
书接上文：
【论文阅读】Generalized Neural-Network Representation of High-Dimensional Potential-Energy Surfaces
在BP势这篇文章发表10年之后，2017年，ANI横空出世，至今仍然是各大榜单上被比较的对象。虽然在机器学习榜单的准确率上，ANI通常是最低的那一个，但如果我们把目标放在速度上，那么ANI这个简单的机器学习势仍然在称霸。从2007年到2017年是机器学习突飞猛进的10年。让我们打开ANI-1: an extensible neural network potential with DFT accuracy at force field computational cost这篇论文，看看2017年的ANI，对BP做出了哪些改进。
一、模型架构
对于一个机器学习模型，第一眼肯定要关注它的模型架构：
ANI模型的特殊之处，或者说相比BP势和之后的一些图神经网络（GNN）模型来说，最大的特点是，他在创建embedding后，对每一种元素用了不同的网络进行预测。当然，这么做有好有坏，好处是可以最大程度利用原子种类信息，坏处是模型会变的复杂，可拓展性会下降。
在这篇文章中，不同于之后的GNN相对复杂的消息传递环节，它使用的中间的NNP部分只是一些简单的线性和非线性的网络。本系列关注的重点是，在进入NNP之前， G ⃗ i u \vec{G}_i^u G
发布者：admin，转转请注明出处：http://www.yc00.com/web/1754378410a5153539.html
评论列表（0条）