一种准确且可迁移的硅机器学习原子间势
材料科学
2019-01-08 v1
摘要
现代第一性原理方法的发展迅速增进了我们对物理、化学与材料科学的理解。遗憾的是，密集的第一性原理计算对于大型复杂体系难以处理。另一方面，经验力场虽能高效处理大型复杂体系，但精度较低且可迁移性差。近期基于机器学习的人工神经网络（NN）用于密度泛函理论（DFT）局域原子环境表示的发展，为这一长期挑战提供了有前景的解决方案。硅是科技中最重要的元素之一，然而目前仍缺乏准确且可迁移的硅原子间势。在此，我们开发了硅的广义 NN 势，其首次正确预测了 Si(111)-(7x7) 基态表面重构，并在多种复杂硅结构中精确复现了 DFT 结果。我们预期在不久的将来类似的发展将推广至广泛材料体系。
引用
@article{arxiv.1901.01638,
title = {An Accurate and Transferable Machine-Learning Interatomic Potential for Silicon},
author = {Lin Hu and Rui Su and Bing Huang and Feng Liu},
journal= {arXiv preprint arXiv:1901.01638},
year = {2019}
}