计算化学公社

标题: 机器学习分子动力学应该如何入门？ [打印本页]

作者
Author: Weldingspock 时间: 2023-6-14 10:03
标题: 机器学习分子动力学应该如何入门？
各位大神好，

最近老师指派了让我做分子动力学与机器学习结合的课题，主要就是用机器学习拟合势函数来解决一些材料中的问题。请问这个方向该如何入门呢？我现在想到的就是1.用商业软件VASP中的机器学习功能2. 使用DeepMD来训练Ab initio的数据。但是只做这两个太局限了，自己想搞懂背后的原理或者自己尝试训练一个非常简单的势函数。请问这样的话该如何入门这个方向呢？例如与机器学习相关的python教程，分子动力学模拟和机器学习等

作者
Author: sobereva 时间: 2023-6-14 19:22
如今很多人都是在“为了机器学习而机器学习”，明明都不需要用机器学习，本来就有成熟适用的传统方法，还非要整个机器学习当噱头蹭热度，最后很可能就是瞎折腾，做无用功，白走个弯路。很多人甚至就连传统、成熟的方法都还基本不懂，上来就稀里糊涂搞机器学习，能搞出有意义的东西就怪了。

先搞清楚当前问题有什么利用机器学习的必要性，到底要解决什么，有什么问题是传统方法搞不了而真正值得你研究机器学习来实现的。

如今有不少导师不负责任，某个领域自己也不懂，一拍脑袋就让学生搞，也没能力指导，最后落得延期毕业的下场。

如果之前还没有相关基础，我个人建议先熟练掌握周期性体系的AIMD，这方面CP2K做得基本上是最好的，速度也远比VASP快得多（比如靠VASP6里利用机器学习才能算得动的问题，很有可能在CP2K里直接跑都能轻易完成）。北京科音CP2K第一性原理计算培训班（http://www.keinsci.com/workshop/KFP_content.html）也专门有很详细的这部分的讲解。

作者
Author: 让你变成回忆 时间: 2023-6-14 23:23
机器学习力场是利用机器学习方法处理高维问题的优势，通过训练DFT计算得到的数据，构建坐标到能量和受力的映射（力场），因此可以同时兼顾效率和精度。
但并不是所有的问题都适合用机器学习力场来研究。
我个人认为只有当
（1）某些科学问题对力场精度要求很高而恰好传统经验力场的精度不够
（2）某些科学问题对模拟的时空尺度要求较高，比如成核、相变等；
此时才是机器学习力场最适用的场景。

至于上手教程，我觉得没有比DeePMD更容易上手的MLP了。deepmodeling开源社区有各种各样的教程。

作者
Author: chenzhe 时间: 2023-7-12 08:50

让你变成回忆发表于 2023-6-14 23:23
机器学习力场是利用机器学习方法处理高维问题的优势，通过训练DFT计算得到的数据，构建坐标到能量和受力的 ...

精度比传统力场高还真不一定，比如水的MD模拟，甚至aimd都不如经典力场，用aimd作为训练的机器学习力场甚至可以说与实验结果偏离离谱（大概原因是因为本身经典力场拟合的时候用DFT的数据以及实验数据矫正了）。目前我感觉在固体尤其是晶体上，确实机器学习力场确实能兼顾精度和速度，但其他方面至少目前还不太行

作者
Author: k64_cc 时间: 2023-7-28 09:10

chenzhe 发表于 2023-7-12 08:50
精度比传统力场高还真不一定，比如水的MD模拟，甚至aimd都不如经典力场，用aimd作为训练的机器学习力场甚 ...

牛顿力学下的AIMD做水做不对的原因，二十多年前就被解释清楚了，建议了解一下NQE和路径积分动力学。

AIMD或者NNP自然也可以做路径积分，做出来的水自然是更准的，而且物理上更有意义，避免了直接拟合宏观性质带来的潜在问题。

欢迎光临计算化学公社 (http://bbs.keinsci.com/)