基于主动学习的高效第一性原理原子能量预测：以百万原子 Fe 随机晶界模型为例
材料科学
2020-11-11 v3 计算物理
摘要
我们开发了一种方法，可利用主动学习以密度泛函理论（DFT）计算的精度分析大型随机晶界（GB）模型。假设原子能量由原子结构描述符的线性回归表示。原子能量通过从巨大 GB 模型中提取的小晶胞进行 DFT 计算获得，称为副本 DFT 原子能量。主动学习中的不确定性约简（UR）方法用于高效收集原子能量的训练数据。在该方法中，搜索候选点不需要原子能量，因此不需要顺序 DFT 计算。该方法适用于可同时执行大量作业的大规模并行计算机。在本研究中，我们演示了使用 UR 方法预测含一百万原子的 Fe 随机 GB 模型的原子能量，并表明与随机采样相比预测误差下降更快。我们得出结论：带有副本 DFT 原子能量的 UR 方法有助于建立巨大 GB 模型，并将对其他结构缺陷的建模至关重要。
引用
@article{arxiv.1912.04596,
title = {Active-learning-based efficient prediction of ab-initio atomic energy: a case study on a Fe random grain boundary model with millions of atoms},
author = {Tomoyuki Tamura and Masayuki Karasuyama},
journal= {arXiv preprint arXiv:1912.04596},
year = {2020}
}