通过机器学习介电矩阵加速 GW 计算
材料科学
2023-07-26 v3
摘要
GW 方法能产生高度精确的准粒子能量，但其在大型体系中的应用面临计算挑战，这很大程度上归因于逆介电矩阵计算的困难。为应对这一挑战，我们开发了一种机器学习方法来高效预测材料中的密度-密度响应函数（DDRF）。为此，引入了 DDRF 的原子分解以及邻域密度矩阵描述符，二者在旋转下以相同方式变换。所得 DDRF 随后通过 GW 方法用于评估准粒子能量。该技术称为 ML-GW 方法。为评估该方法的精度，我们将其应用于氢化硅团簇，发现它能可靠地复现 HOMO-LUMO 能隙与准粒子能级。当应用于比训练集所含更大的团簇时，预测精度会下降。这些进展为复杂体系（如无序材料、液体、界面和纳米颗粒）的 GW 计算铺平了道路。
引用
@article{arxiv.2305.02990,
title = {Accelerating GW calculations through machine learned dielectric matrices},
author = {Mario G. Zauchner and Andrew Horsfield and Johannes Lischner},
journal= {arXiv preprint arXiv:2305.02990},
year = {2023}
}
备注
This version rectifies an error in the calculation of the vacuum correction