在这项工作中，我们引入了一种新的机器学习内原子势函数（mlip）框架，将基于样条的 meam 势（s-meam）与神经网络（nn）架构的灵活性相结合。这种框架被称为基于样条的神经网络势（s-nnp），是传统 nnp 的简化版本，可以以计算高效的方式描述复杂的数据集。我们演示了如何使用这个框架来探索经典和 ml...
该研究介绍了一种新的机器学习内原子势函数（mlip）框架，称为基于样条的神经网络势（s-nnp），可以以计算高效的方式描述复杂的数据集。研究者演示了如何使用该框架探索经典和 ml 内原子势函数之间的边界，并展示了使用样条滤波器对原子环境进行编码会产生容易解释的嵌入层，可以与 nn 的修改相结合，以纳入预期的物理行为并改善整体可解释性。研究者还测试了样条滤波器的灵活性，观察到它们可以在多个化学系统之间共享，以提供一个方便的参考点，从而开始进行跨系统分析。
