用机器学习绕过强电子关联量子嵌入理论的计算瓶颈
强关联电子
2021-02-10 v1 计算物理
摘要
对强关联物质进行量子力学模拟的一个主要障碍是，以当前可用的理论工具，足够精确的计算往往过于昂贵而根本不可行。本文中我们设计了一个将量子嵌入（QE）方法与机器学习相结合的计算框架。这使我们完全绕过了 QE 算法中计算最昂贵的组件，使其总体代价与裸密度泛函理论（DFT）相当。我们对一系列锕系体系进行了基准计算，我们的方法准确描述了关联效应，将计算代价降低了数个数量级。我们认为，通过生成更大规模的训练数据，将有可能把我们的方法应用于具有任意化学计量和晶体结构的体系，为凝聚态物理、化学和材料科学中几乎无限的应用铺平道路。
引用
@article{arxiv.2006.15227,
title = {Bypassing the computational bottleneck of quantum-embedding theories for strong electron correlations with machine learning},
author = {John Rogers and Tsung-Han Lee and Sahar Pakdel and Wenhu Xu and Vladimir Dobrosavljević and Yong-Xin Yao and Ove Christiansen and Nicola Lanatà},
journal= {arXiv preprint arXiv:2006.15227},
year = {2021}
}
备注
Main text (6 pages, 4 figures ) and supplemental material (5 pages)