一组复杂度递增的锆力矩张量势
计算物理
2023-06-02 v1 材料科学
摘要
机器学习力场(MLFFs)因其高保真度和可改进性，正成为原子尺度模拟日益流行的选择。在此，我们提出一种混合小胞方法，结合离线与主动学习的特性，在系统性扩展量子力学(QM)数据库的同时，构建复杂度递增的MLFFs。我们的MLFFs采用力矩张量势形式。在此过程中，我们定量评估了由MLFFs预测的Zr的结构性质、弹性性质、二聚体势能、熔化温度、相稳定性、点缺陷形成能、点缺陷迁移能、自由表面能和广义层错(GSF)能。不出所料，模型复杂度与预测精度呈正相关。我们还发现，MLFFs能够预测样本外构型的属性，而训练集中并未直接包含这些特定构型。此外，我们生成了100个高复杂度（每个含1513个参数）的MLFFs，它们在训练期间达到了不同的局部最优。它们的预测围绕基准DFT值聚集，但诸如GSFE面上局部极小位置等细微物理特征被统计噪声抹平。
引用
@article{arxiv.2306.00128,
title = {A set of moment tensor potentials for zirconium with increasing complexity},
author = {Yu Luo and Jason A. Meziere and German D. Samolyuk and Gus L. W. Hart and Mark R Daymond and Laurent Karim Béland},
journal= {arXiv preprint arXiv:2306.00128},
year = {2023}
}