面向配簇水平精度的机器学习力场
计算机视觉与模式识别
2025-07-10 v1
摘要
我们研究在碳金刚和锂氢化物固体上训练于近似密度泛函理论(DFT)和配簇(CC)水平势能面上的机器学习力场(MLFF)。我们通过计算声子色散和振动态密度(VDOS)，并将其与实验及参考ab initio结果进行比较，评估了MLFF的准确性与精度。为克服长程效应及CC训练数据缺乏原子力等限制，探索了基于CC与DFT结果差异的delta学习方法，以及一种受电荷感知的MLFF方法。相对于DFT，基于CC理论训练的MLFF在光谱振动模式上产生更高的振动频率，与实验更吻合。此外，使用这些MLFF可在CC理论水平上估计锂氢化物VDOS的无谐作用。
引用
@article{arxiv.2507.06928,
title = {Adaptive Part Learning for Fine-Grained Generalized Category Discovery: A Plug-and-Play Enhancement},
author = {Qiyuan Dai and Hanzhuo Huang and Yu Wu and Sibei Yang},
journal= {arXiv preprint arXiv:2507.06928},
year = {2025}
}
备注
Accepted to CVPR 2025