带代理能量模型弛豫的原子结构学习算法
材料科学
2020-08-19 v1 机器学习
化学物理
计算物理
摘要
近来提出的原子结构学习算法(ASLA)建立在神经网络赋能的图像识别与强化学习之上。当与第一性原理总能量计算程序(例如密度泛函理论(DFT)程序)结合使用时,它可实现完全自主的结构确定。为节省计算需求,ASLA 以单点模式使用 DFT 程序,即不允许依据 DFT 层面的力信息对结构候选体进行弛豫。本工作中,我们增强 ASLA 以在其结构搜索的同时建立一个代理能量模型。这使得在计算昂贵的 DFT 程序单点能量评估之前,可对结构候选体进行近似但计算廉价的弛豫。我们展示了利用代理能量势貌时 ASLA 构建苯的显著性能提升。进一步,我们将此模型增强的 ASLA 应用于对 Ag(111) 表面氧化物 c(4x8) 相的详尽研究。ASLA 成功识别出此前仅基于扫描隧道显微镜图像推测的表面重构。
引用
@article{arxiv.2007.07523,
title = {Atomistic Structure Learning Algorithm with surrogate energy model relaxation},
author = {Henrik Lund Mortensen and Søren Ager Meldgaard and Malthe Kjær Bisbo and Mads-Peter V. Christiansen and Bjørk Hammer},
journal= {arXiv preprint arXiv:2007.07523},
year = {2020}
}