1. DeepMD-kit描述子入门:从原子坐标到机器学习输入
第一次接触DeepMD-kit时,最让我困惑的就是这个"描述子"概念。简单来说,描述子就是把原子的原始坐标转换成机器学习模型能理解的数学表达。想象一下,你要教一个小朋友认识不同形状的积木,直接给他看三维坐标肯定不行,但如果你告诉他"这块积木有6个面,每个面都是正方形",他马上就能明白这是正方体。描述子就是干这个的——把复杂的原子排列信息翻译成模型能理解的"语言"。
DeepMD-kit提供了多种描述子,主要分为两大类:平滑版本和原始版本。平滑版本(如se_e2_a)在计算时会对原子间的相互作用进行平滑处理,就像给棱角分明的物体包上一层软垫,这样模型训练时更稳定;而原始版本则直接使用原始物理量,保留了更多细节信息。我在做金属相变模拟时就发现,使用平滑版本能让训练过程收敛更快,但在某些需要高精度的化学反应路径预测中,原始版本反而更准确。
2. 平滑描述子家族:se_e2_a、se_e2_r与se_e3详解
2.1 se_e2_a:距离与角度的完美平衡
se_e2_a是我最常用的描述子之一,它的核心特点是同时考虑原子间距和键角信息。具体实现上,它会为每个中心原子生成一个4列的环境矩阵:
- 第1列:平滑处理后的距离信息
- 第2-4列:三个空间方向的角度信息
# 示例:se_e2_a描述子的关键参数配置
"descriptor": {
"type": "se_e2_a",
"rcut": 6.0, # 截断半径
"sel": [60, 60], # 每种元素的最大邻居数
"neuron": [25, 50, 100], # 嵌入网络结构
"axis_neuron": 16 # 角度描述维度
}
实测发现,在模拟硅晶体熔化过程时,se_e2_a对相变温度的预测误差比
142



被折叠的 条评论
为什么被折叠?



