高维神经网络势中描述化学环境的一种新方法
计算物理
2019-07-05 v1 化学物理
摘要
分子动力学模拟的核心问题在于控制原子相互作用的势能面。这些超曲面定义了系统的势能，通常或使用预定义的解析公式（经典方法）或使用量子力学模拟（第一性原理）来计算。前者只能准确再现部分材料性质，而后者受限于较短的模拟时间和较小的系统规模。机器学习势近来已成为建模原子相互作用的第三种方法，并被认为能提供第一性原理模拟的精度以及经典势的速度。然而，机器学习势的性能关键取决于对局域原子环境的描述。本文提出了一组不变、正交且可微的原子环境描述符，将其实现于固态硅的神经网络势中，并在分子动力学模拟中进行了测试。研究发现，使用所提描述符的神经网络优于当前文献中使用 Behler Parinello 和 SOAP 描述符的神经网络。
引用
@article{arxiv.1907.02374,
title = {A Novel Approach to Describe Chemical Environments in High Dimensional Neural Network Potentials},
author = {Emir Kocer and Jeremy K. Mason and Hakan Erturk},
journal= {arXiv preprint arXiv:1907.02374},
year = {2019}
}
备注
23 Pages, 5 figures, 2 tables, journal article