Widget Container memiliki widget AspectRatio, yang memiliki Container turunan dalam warna yang berbeda.
Akibatnya, kita melihat berbagai jenis kombinasi warna.
Mari kita lihat kode lengkapnya sekarang.
Ingat, dalam setiap kasus, widget AspectRatio mencoba menemukan ukuran terbaik dan menyesuaikan turunannya.
Itu datang untuk membantu kami, ketika kami mencoba mengubah ukuran gambar dengan cepat.
pembelajaran mesin (ML) dan informatika material (MI).
Untuk memahami metode ML untuk MI, saya mencoba menggunakan tumpang tindih mulus posisi atom (SOAP) , yang merupakan deskriptor yang banyak digunakan untuk molekul. Menggunakan deskriptor SOAP sebagai input, saya menerapkan model jaringan saraf sederhana (NN) di PyTorch (lihat Gbr.1 (a)). Setelah melatih model NN dengan energi, akurasinya sangat baik, dan kemudian saya memindahkan model NN yang terlatih ke celah HOMO-LUMO. Saya memperoleh hasil sebagai Gambar.1 (b) dan (c).
Gbr.1: (a) Model NN berbasis input deskriptor SOAP. (b) Kurva pembelajaran untuk energi atomisasi (eV) yang disediakan oleh database QM9 , yang merupakan database benchmark terkenal di MI. Kesalahan uji energi sekitar 2,0 eV. (c) Transfer pembelajaran untuk kesenjangan HOMO-LUMO dengan model yang telah dilatih sebelumnya.
Saya menemukan bahwa hasil transfer sangat buruk (akurasi acak dan pra-terlatih (kesalahan) adalah sama, sekitar 1,2 eV seperti yang ditunjukkan pada Gambar.1 (c))... Untuk studi saya, saya mencoba menggunakan ML lain model (misalnya, jaringan saraf grafik dan potensi jaringan saraf ), tetapi hasilnya juga sangat buruk atau jauh lebih buruk ...
Di sini, saya punya pertanyaan; apakah ini berarti model NN di atas hanya pas untuk energi saja, tidak belajar fisika sama sekali? Selain itu, apakah sebagian besar model ML yang hanya memuat energi masuk akal dari sudut pandang DFT? Dalam DFT, sejauh yang saya pelajari, menyelesaikan persamaan Kohn-Sham menghasilkan energi dan kepadatan keadaan dasar dengan prinsip variasi, dan juga memberikan nilai eigen (yaitu, energi orbital), sehingga kita dapat mengetahui berbagai sifat fisik seperti HOMO dan LUMO.
Kesan saya adalah bahwa model ML hanya memprediksi "molekul serupa memiliki energi yang sama (lihat Gbr.2)", dan sangat mudah jika kita memiliki sejumlah besar molekul serupa dan energinya dalam database. Namun, bahkan dalam kasus ini, dapatkah kita mengatakan bahwa "ML dapat memperkirakan perhitungan DFT"? (Faktanya, sebagian besar makalah penelitian di ML dan MI mengklaim demikian, dan sejujurnya saya sangat bingung…)
Gbr.2: Energi molekul sisi kanan harus mendekati sekitar -86,7X eV (energi sebenarnya adalah -86,75 eV), tetapi ini sangat mudah diprediksi karena kita telah mengetahui energi molekul sisi kiri sebagai sampel data pelatihan, yang sangat mirip dengan molekul sisi kanan.
Postscript: sebenarnya, saya sekarang tertarik pada "model dasar" dalam penelitian AI/ML ( https://arxiv.org/pdf/2108.07258.pdf ). Saya ingin tahu apakah AI/ML dapat menyelesaikan berbagai tugas (misalnya, tidak hanya memprediksi energi total tetapi juga memberikan nilai eigen HOMO LUMO, kepadatan, dan sifat fisik lainnya) dengan satu model (pra-terlatih). Saya ingin bertanya tentang kemungkinan sebagai pertanyaan lain.
Jawaban:
Energi total dan kesenjangan HOMO-LUMO adalah jumlah yang sangat berbeda, dan tentu saja memerlukan desain jaringan saraf yang sangat berbeda (termasuk pilihan deskriptor dan arsitektur) untuk menggambarkan secara efisien dan akurat. Sebagai contoh:
Energi total adalah properti ukuran-luas, sedangkan celah HOMO-LUMO adalah ukuran-intensif. Dua salinan molekul yang sama yang tidak berinteraksi memiliki persis dua kali energi sebagai molekul tunggal, dan celah HOMO-LUMO yang persis sama (bukan dua kali lebih besar) sebagai molekul tunggal. Banyak jaringan saraf yang dirancang untuk memprediksi energi total bekerja dengan mengekspresikan energi total sebagai jumlah energi atom, dan memprediksi energi atom; ini menjamin ukuran-ekstensivitas dengan konstruksi, tetapi yang juga berarti bahwa jaringan saraf yang sama sama sekali tidak cocok untuk memprediksi properti ukuran-intensif.
Energi total adalah properti yang relatif lokal, tetapi kesenjangan HOMO-LUMO sangat non-lokal. Bayangkan sebuah molekul besar di mana HOMO terlokalisasi di satu sisi sementara LUMO terlokalisasi di sisi lain. Jaringan saraf tidak dapat secara tepat memperkirakan celah HOMO-LUMO sistem dengan hanya melihat sebagian darinya, bahkan ketika ia menghitung perkiraan untuk banyak bagian kecil dari molekul dan kemudian mengumpulkan hasilnya. Pada beberapa titik prediksi jaringan saraf, harus ada pengurangan dua kuantitas yang dihitung dari dua bagian molekul yang jauh secara sembarang. Ini juga mengesampingkan banyak arsitektur jaringan saraf umum. Sebaliknya, semua interaksi melalui ruang yang terlibat dalam peluruhan energi total setidaknya sebagai1 / R, dan jauh lebih cepat dari itu jika sistem tidak mengandung ion.
Selain itu, ada beberapa masalah yang memengaruhi prediksi energi total dan kesenjangan HOMO-LUMO, tetapi jauh lebih parah untuk yang terakhir:
Celah HOMO-LUMO adalah fungsi tak terdiferensiasi dari geometri molekul. Pertimbangkan sistem yang keadaan dasarnya dan keadaan tereksitasi pertama membentuk persimpangan kerucut (misalnya sistem Jahn-Teller orde pertama), dan kami memvariasikan geometri secara terus menerus dari satu sisi persimpangan kerucut, sampai kami melewati titik persimpangan. Kesenjangan HOMO-LUMO akan berkurang kira-kira secara linier. Kemudian pada titik persimpangan, HOMO dan LUMO tiba-tiba bertukar, dan kesenjangan HOMO-LUMO meningkat kira-kira secara linier lagi. Tidak ada jaringan saraf yang dibangun dari fungsi aktivasi halus yang dapat mereproduksi perilaku ini. Sementara jaringan saraf yang menggunakan, misalnya fungsi aktivasi ReLU memang memiliki diskontinuitas turunan, itu adalah tugas yang sulit untuk memastikan bahwa diskontinuitas turunan hanya terjadi pada (atau setidaknya dekat) persimpangan kerucut.
Celah HOMO-LUMO terkadang bergantung pada apakah ada bilangan genap atau ganjil dari suatu gugus fungsi tertentu. Hal ini paling baik dicontohkan oleh aturan 4n+2 Hückel: cincin terkonjugasi dengan elektron 4n+2 bersifat aromatik dan memiliki celah HOMO-LUMO yang relatif besar, sedangkan cincin dengan elektron 4n bersifat antiaromatik dan memiliki celah HOMO-LUMO yang kecil. Sangat menantang untuk mempelajari fakta ini dengan jaringan saraf kecuali dengan mengkodekan aturan secara keras dan/atau dengan sengaja memasukkan sejumlah besar sistem aromatik dan antiaromatik yang berbeda dalam set pelatihan.
Ini mungkin menjelaskan mengapa sulit untuk memprediksi kesenjangan HOMO-LUMO dengan akurasi tinggi. Saya pribadi akan merekomendasikan memprediksi matriks Fock sebagai gantinya, dan kemudian mendapatkan celah HOMO-LUMO dengan mendiagonalisasi matriks Fock. Matriks Fock adalah objek yang berperilaku jauh lebih baik daripada celah HOMO-LUMO: elemen matriks sebagian besar ditentukan dari atom terdekat, tidak memiliki diskontinuitas turunan yang kuat, dan tidak memiliki pergantian genap ganjil seperti celah HOMO-LUMO memiliki untuk cincin terkonjugasi. Selain itu, saya percaya bahwa ada teknik mapan untuk memprediksi matriks Fock melalui pembelajaran mesin.
