# 原子簇展开

线性原子团簇展开（ACE）势在训练标签为确定性密度泛函数据时属于模型设定错误，贝叶斯后验方差会低估误差。研究用删一构型的CR3刀切协方差给出形状、用留出数据上的一个共形分位数给出尺度，在留出硅数据上把每原子力区间校准到接近名义覆盖率，并把同一参数分布经隐式微分传播到21个硅性质；对较小与较大两个模型，20个计分性质中分别有17个和15个落入95%区间，较大模型的区间约窄4倍。

线性原子团簇展开（ACE）势在训练标签为确定性密度泛函数据时属于模型设定错误，贝叶斯后验方差会低估误差。研究用删一构型的CR3刀切协方差给出形状、用留出数据上的一个共形分位数给出尺度，在留出硅数据上把每原子力区间校准到接近名义覆盖率，并把同一参数分布经隐式微分传播到21个硅性质；对较小与较大两个模型，20个计分性质中分别有17个和15个落入95%区间，较大模型的区间约窄4倍。

潜电荷机器学习势把电荷当作从能量和力中学出的隐变量，其长程静电项此前没有精确的周期形式，净电荷与自能混在一起。把这一项写成涂抹型Epstein–Hurwitz格点和，可分离出净电荷赝像与局域自能，并给出任意形状晶胞的球平均定理、力和维里。在此基础上把潜电荷投影到固定总电荷，得到投影潜Ewald求和（pLES）；在带电NaCl团簇上，它找回了无约束模型最多漏掉1.8的总电荷，并把短程模型的测试误差从1.44降到0.42 meV/atom、从37降到13 meV/Å。

潜电荷机器学习势把电荷当作从能量和力中学出的隐变量，其长程静电项此前没有精确的周期形式，净电荷与自能混在一起。把这一项写成涂抹型Epstein–Hurwitz格点和，可分离出净电荷赝像与局域自能，并给出任意形状晶胞的球平均定理、力和维里。在此基础上把潜电荷投影到固定总电荷，得到投影潜Ewald求和（pLES）；在带电NaCl团簇上，它找回了无约束模型最多漏掉1.8的总电荷，并把短程模型的测试误差从1.44降到0.42 meV/atom、从37降到13 meV/Å。