Ontologia MLIPs: Standardizzare i Metadati per i Potenziali Interatomici del Machine Learning
Una nuova ontologia progettata per i potenziali interatomici del machine learning (MLIP) mira a unificare i metadati in questo campo. I MLIP sono utili per calcolare energie e forze quantomeccaniche basate su DFT o metodi a funzione d'onda, ma a un costo inferiore. Nonostante esistano vari algoritmi, dataset e iperparametri, i metadati essenziali per un confronto e una riproducibilità adeguati sono dispersi. Questa ontologia, creata utilizzando OWL 2 DL, include concetti su metodi, iperparametri, dataset di addestramento da DFT e benchmark. Ha tre parti principali—Metodo, Dati di Addestramento e Benchmark—e si collega con ontologie esistenti di scienza dei materiali e machine learning, come MDO e ML-Schema. Contiene 27 classi e proprietà formali ed è stata condivisa su arXiv (2607.23219v1).
Fatti principali
- I MLIP approssimano energie e forze quantomeccaniche da DFT o metodi a funzione d'onda.
- I metadati per gli studi MLIP sono sparsi tra articoli, script e formati ad hoc.
- L'ontologia MLIP è espressa in OWL 2 DL.
- Cattura metodi, iperparametri, dataset di addestramento con provenienza DFT e benchmark.
- L'ontologia ha tre moduli: Metodo, Dati di Addestramento e Benchmark.
- Si collega alle ontologie MDO, CMSO/ASMO e ML-Schema.
- Complementa lo schema del dataset Croissant.
- L'ontologia dichiara 27 classi e proprietà formali.
Entità
Istituzioni
- arXiv