基于体素化原子构型的3D深度学习用于复杂固溶体合金原子间势建模
材料科学
2018-11-27 v1 机器学习
计算物理
机器学习
摘要
对先进材料的需求推动了复杂多组分合金或固溶体合金的发展。这些材料已展现出强度、韧性、延展性、电学与电子特性等优异性能。此类材料体系的当前研发受限于昂贵的实验与计算量巨大的第一性原理模拟。原子尺度模拟可为这类材料体系的性能提供合理见解。然而，设计稳健势函数的问题依然存在。本文中，我们探索一种基于深度卷积神经网络的方法，以开发此类复杂合金的原子间势，从而研究材料以获得控制性能的见解。在本工作中，我们提出一种晶胞原子构型的体素表示，并设计了一个3D卷积神经网络来学习原子间的相互作用。我们的结果凸显了3D卷积神经网络的性能及其在机器学习原子间势方面的有效性。我们还探讨了体素分辨率的作用，并对所实现的两种用于体素化的边界框方法提供了见解。
引用
@article{arxiv.1811.09724,
title = {3D Deep Learning with voxelized atomic configurations for modeling atomistic potentials in complex solid-solution alloys},
author = {Rahul Singh and Aayush Sharma and Onur Rauf Bingol and Aditya Balu and Ganesh Balasubramanian and Duane D. Johnson and Soumik Sarkar},
journal= {arXiv preprint arXiv:1811.09724},
year = {2018}
}
备注
Presenting in Machine Learning for Molecules and Materials NeurIPS 2018 Workshop