面向机器学习电子态密度模型的自适应能量参考
材料科学
2025-01-27 v4 化学物理
摘要
电子态密度（DOS）提供了关于材料中电子能级分布的信息，可用于近似其光学和电子性质，从而指导计算材料设计。鉴于其有用性和相对简单性，DOS 是最早用于机器学习方法（超越原子势）的电子属性之一。一个细微但重要的点——在凝聚态社区中广为人知，但通常被忽略于数据驱动模型的构建中——是对于bulk配置，单粒子能级的绝对能量参考是未定义的。只有能量差是有意义的，Deriving from DOS 的量通常独立于绝对对齐。我们引入一种自适应方案，将每个结构的能量参考作为训练过程的一部分进行优化，证明它对于不同材料类和不同模型架构，都能显著提高 ML 模型的质量。就实际效果而言，我们将改进性能归因于该自对齐方案能够匹配 DOS 中最突出的特征。更广泛地说，我们相信本工作突显了将物理目标的性质洞察纳入模型架构和合适统计量定义中的重要性，这在更好的可迁移性和整体性能方面具有意义。
引用
@article{arxiv.2407.01068,
title = {Adaptive energy reference for machine-learning models of the electronic density of states},
author = {Wei Bin How and Sanggyu Chong and Federico Grasselli and Kevin K. Huguenin-Dumittan and Michele Ceriotti},
journal= {arXiv preprint arXiv:2407.01068},
year = {2025}
}