ænet-PyTorch：用于机器学习原子势训练的GPU支持实现
ænet-PyTorch: a GPU-supported implementation for machine learning atomic potentials training
AI总结：
本文提出ænet-PyTorch，一种基于PyTorch的GPU加速原子势训练实现，相比CPU训练提速1-2个数量级，并发现仅需包含10%-20%的力信息即可获得最优精度。
摘要：
在本工作中，我们提出了ænet-PyTorch，这是一个基于PyTorch的实现，用于训练基于人工神经网络的机器学习原子间势。作为原子能量网络（ænet）的扩展，ænet-PyTorch提供了ænet中所有用于势能应用和使用的工具。该包被设计为ænet内部训练能力的替代方案，利用图形处理单元（GPU）的计算能力，除了能量之外，还便于直接对力进行训练。与CPU实现相比，这导致训练时间大幅减少一到两个数量级，使得能够对超出小分子范围的系统直接进行力的训练。在此，我们展示了ænet-PyTorch的主要特性，并展示了其在开放数据库上的性能。我们的结果表明，在数据集中训练所有力信息并非必要，包含10%至20%的力信息就足以以最少的计算资源获得最优精度的原子间势。
英文摘要：
In this work, we present ænet-PyTorch, a PyTorch-based implementation for training artificial neural network-based machine learning interatomic potentials. Developed as an extension of the atomic energy network (ænet), ænet-PyTorch provides access to all the tools included in ænet for the application and usage of the potentials. The package has been designed as an alternative to the internal training capabilities of ænet, leveraging the power of graphic processing units to facilitate direct training on forces in addition to energies. This leads to a substantial reduction of the training time by one to two orders of magnitude compared to the CPU implementation, enabling direct training on forces for systems beyond small molecules. Here we demonstrate the main features of ænet-PyTorch and show its performance on open databases. Our results show that training on all the force information within a data set is not necessary, and including between 10% to 20% of the force information is sufficient to achieve optimally accurate interatomic potentials with the least computational resources.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
