基于机器学习加速映射金属纳米颗粒的电子态密度谱
材料科学
2020-07-22 v1
摘要
在第一性原理密度泛函理论(DFT)框架下，对纳米颗粒(NPs)电子结构的准确而快速预测仍具挑战。本文中，我们提出一种机器学习架构，通过主成分分析(PCA)与晶体图卷积神经网络(CGCNN)相结合，快速且合理地预测金属NPs的电子态密度(DOS)谱。借助PCA，可将数学上的高维DOS图像转换为低维向量。CGCNN在仅使用少数易从周期表获得的材料特征(如熔点、d电子数及原子半径)反映局域原子结构对NPs的DOS谱影响方面起关键作用。PCA-CGCNN模型适用于所有纯金属与双金属NPs，其中考虑了少量易由典型DFT方法(如块体、 slab及小尺寸NPs)获得的DOS训练集。尽管与DFT计算相比PCA-CGCNN方法存在微小精度损失，其预测速度远快于DFT方法，且几乎不受NPs体系尺寸影响。我们的方法不仅可立即用于预测待实验合成的实际纳米级NPs的电子结构，也可用于探索原子结构与其他材料谱图数据(如X射线衍射、X射线光电子能谱与拉曼光谱)之间的关联。
引用
@article{arxiv.2007.10646,
title = {Accelerated Mapping of Electronic Density of States Patterns of Metallic Nanoparticles via Machine-Learning},
author = {Kihoon Bang and Byung Chul Yeo and Donghun Kim and Sang Soo Han and Hyuck Mo Lee},
journal= {arXiv preprint arXiv:2007.10646},
year = {2020}
}