然而,现有的机器学习分子动力学(MLMD)框架在精度、可扩展性和能效之间存在三难困境,尤其在高熵合金、多铁钙钛矿等成分复杂体系中尤为突出。 MLMD 借助神经网络势函数(NNPs)在原子能量预测上可接近 DFT 精度,计算效率比 AIMD 高出数个数量级。
https://github.com/tensorflow/model-card-toolkit/blob/master/model_card_toolkit/documentation/examples/MLMD_Model_Card_Toolkit_Demo.ipynb
tfma.GenericValueThreshold( lower_bound={'value': 0.55}), # 如果没有从MLMD
通过查看MLMD,可以从数据读取、数据预处理、验证、训练、评估、部署等方面跟踪整个ML工作流的全部过程和信息。