碳基材料中芯电子结合能的精确计算预测：结合密度泛函理论与 $\boldsymbol{GW}$ 的机器学习模型
材料科学
2022-07-14 v2
摘要
我们提出一个定量准确的机器学习（ML）模型，用于芯电子结合能的计算预测，由此可便捷获得 X 射线光电子能谱（XPS）谱。我们的模型将密度泛函理论（DFT）与 结合，并使用核岭回归进行 ML 预测。我们将新方法应用于含碳、氢和氧的材料与分子，获得与实验在定性与定量上的一致，在参考实验谱的 0.1 eV 内分辨出谱特征。该方法仅需用户提供所研究材料的结构模型，即可在数秒内获得 XPS 预测。我们的新工具可通过 XPS Prediction Server 免费在线获取。
引用
@article{arxiv.2112.06551,
title = {Accurate computational prediction of core-electron binding energies in carbon-based materials: A machine-learning model combining density-functional theory and $\boldsymbol{GW}$},
author = {Dorothea Golze and Markus Hirvensalo and Patricia Hernández-León and Anja Aarva and Jarkko Etula and Toma Susi and Patrick Rinke and Tomi Laurila and Miguel A. Caro},
journal= {arXiv preprint arXiv:2112.06551},
year = {2022}
}