Aktives Maschinelles Lernen von GNN-Potentialen aus Quanten- und experimentellen Daten

AL-Q&E

Zusammenfassung

Da die Molekulardynamik (MD) die Grundlage für die Entwicklung neuer Materialien mit gewünschten Eigenschaften bildet die z. B. in intelligenten Nanobauteilen verwendet werden sollen, ist sie zu einem Eckpfeiler vieler wichtiger Disziplinen geworden. Durch die Kombination von MD mit Graph Neural Network (GNN) Ansätzen konnten vielversprechende Ergebnisse bei der Berechnung von Materialeigenschaften mit noch nie dagewesener Genauigkeit erzielt werden. Allerdings ist das Training solcher GNNs jedoch in der Regel auf Daten der Dichtefunktionaltheorie (DFT) angewiesen, die rechenintensiv teuer sind. Dieses Projekt zielt darauf ab, diese rechnerische Belastung zu überwinden, indem gleichzeitig DFT- und experimentellen Daten während des Trainings - kombiniert mit einem aktiven Lernverfahren (AL) Schema, das nur bei Bedarf Simulationen durchführt. Da die DFT oft auf kleine Systemgrößen beschränkt ist, während experimentelle Daten in der Regel große Systemeffekte erfassen, verspricht die Kombination beider Methoden einen größeren Bereich von Systemgrößen abzudecken und Ungenauigkeiten der DFT zu korrigieren, wenn experimentelle Daten verfügbar sind. Somit können wir zum ersten Mal GNN-Potentiale lernen, die  auf verschiedene Temperaturen und Drücke übertragbar sind und mit den verfügbaren experimentellen Daten übereinstimmen. Die Erweiterung dieses Projekts zielt darauf ab, die von uns entwickelten  Quantifizierungsnetzwerke (UQ) zu verbessern und diese in der AL-Umgebung auf experimentelle Daten anzuwenden.