Машинное обучение для поиска функции потенциала в молекулярной динамике

Способность компьютерных методов к симуляции различных атомных систем тесно связана с задачей поиска потенциальной энергии данных систем. В настоящее время существует несколько методов, способных описывать и моделировать различные химико-физические процессы (например, DFT density-functional theory), однако все они требуют существенных временных затрат и являются вычислительно сложными для достаточно больших атомных систем. В последнее время были предложены новые методы, основанные не на точном вычислении потенциала системы, а на его аппроксимации. В основе этих методов лежит машинное обучение (напр. нейросеть Behler-Parrinello). Тем не менее, будучи более быстрыми относительно классических подходов, данные методы основаны на относительно простых эвристиках и имеют достаточно пространства для дальнейшего усовершенствования. В настоящей работе предпринимается попытка построить обобщающую модель для более быстрого обучения для пока неизвестных экземпляров молекул.