基于机器学习的选择性采样方法用于识别势能面中的低能量区域：以氧化物中质子传导为例
材料科学
2016-02-24 v2
摘要
本文提出了一种选择性采样过程，以优先在控制感兴趣物理性质的构型空间部分上评估势能面（PES）。所提出的采样过程基于一种称为高斯过程（GP）的机器学习方法，该方法用于构建 PES 的统计模型，以识别构型空间中的感兴趣区域。我们展示了该过程在原子扩散和离子传导（特别是研究充分的质子传导氧化物锆酸钡 BaZrO3 中的质子传导）上的效能。演示研究的结果表明，我们的过程能够有效识别表征主体晶格中质子传导的低能量区域，并且用于统计 PES 模型的描述符对性能有很大影响。
引用
@article{arxiv.1512.00623,
title = {A machine learning-based selective sampling procedure for identifying the low energy region in a potential energy surface: a case study on proton conduction in oxides},
author = {Kazuaki Toyoura and Daisuke Hirano and Atsuto Seko and Motoki Shiga and Akihide Kuwabara and Masayuki Karasuyama and Kazuki Shitara and Ichiro Takeuchi},
journal= {arXiv preprint arXiv:1512.00623},
year = {2016}
}