一种提升密度泛函理论替代合金研究通量的机器学习方法
计算物理
2020-04-03 v3
摘要
本研究发展了一种基于机器学习的技术，以降低探索替代合金大设计空间所需的计算代价。第一项进展基于神经网络方法，在离子弛豫前预测少数与多数离子的初始位置。第二项进展是让神经网络预测每一种可能的少数离子位置的总能量，并在不对每个试探位置进行弛豫的情况下选出最稳定构型。本研究以铋氧化物材料体系(BiLaYb)MoO为模型体系，展示所发展方法及潜在的计算加速。与需要计算每一个可能的少数浓度位置并随后弛豫的暴力方法相比，若允许神经网络(NN)在弛豫前预测初始位置，可获得1.3倍加速。该加速源于单个计算平均减少4墙时(64 cpu-hrs)的弛豫。第二项进展的实施使NN能在弛豫前预测所有试探位置的总能量，带来约37倍加速。验证通过将NN与DFT计算的位置和能量进行比较完成。预测的位置最大向量均方误差(MSE)为1.6x10，能量最大MSE为2.3x10。该方法展示了显著的计算加速，对更大的组分设计空间有潜力带来显著的计算节省。
引用
@article{arxiv.1810.04687,
title = {A Machine Learning Approach for Increased Throughput of Density Functional Theory Substitutional Alloy Studies},
author = {Alhassan S. Yasin and Terence D. Musho},
journal= {arXiv preprint arXiv:1810.04687},
year = {2020}
}