基于神经网络哈密顿量矩阵元与力的电荷转移模拟
化学物理
2022-03-24 v2
摘要
轨迹面跳跃方法已广泛用于有机半导体中电荷传输的模拟。在本研究中，我们采用基于机器学习（ML）的哈密顿量来模拟蒽和并五苯中的电荷传输。基于神经网络（NN）的模型不仅能够预测位点能量和耦合，还能预测位点能量的梯度以及用于力的非对角梯度。我们在蒽和并五苯的DFTB精度数据上训练这些模型。通过在传播模拟中使用所获得的模型，我们从精度和计算成本两方面评估了它们在复现这些材料中空穴迁移率上的表现。结果表明，使用基于NN的哈密顿量获得的电荷迁移率与使用基于DFTB的哈密顿量计算得到的电荷迁移率非常吻合。
引用
@article{arxiv.2203.03083,
title = {Charge Transfer Simulations using Hamiltonian Elements and Forces from Neural Networks},
author = {Philipp M. Dohmen and Mila Krämer and Patrick Reiser and Pascal Friederich and Marcus Elstner and Weiwei Xie},
journal= {arXiv preprint arXiv:2203.03083},
year = {2022}
}