热流正则化下机器学习原子间势的构建及其在银硫族化合物功率谱分析中的应用
计算物理
2024-03-22 v1 无序系统与神经网络
摘要
我们提出了一种数据驱动方法，用于构建在避免非物理热流的正则化下训练的机器学习原子间势（MLIPs）。具体而言，我们将热流的正则化项引入待最小化的 MLIPs 代价函数中。由于采用正则化的 MLIPs 对热流的处理可分解为元素贡献或在频率空间中进行，该方法有望用于探究由 Green-Kubo 公式获得的热导率的起源。然而，正则化强度需适当设定，因其可能不仅削弱非物理部分，也会削弱本征热流。为此，我们研究了构建能够复现与 AgSe 经验原子间势相关的热流功率谱的 MLIPs 的条件，该经验势由成对函数构成且不含非物理热流。无需参考谱数据，即可根据正则化项量值的变化以及总势能、原子力和维里应力相对于强度的均方根误差来估计适当强度。作为应用示例，我们基于热流正则化对使用 AgS 第一性原理计算数据训练的 MLIPs，探究了超离子导电相与非超离子导电相之间功率谱的差异。此外，我们的结果表明，带正则化的训练提升了 MLIPs 的鲁棒性，并减少了非物理热流。
引用
@article{arxiv.2204.01405,
title = {Construction of Machine-Learning Interatomic Potential Under Heat Flux Regularization and Its Application to Power Spectrum Analysis for Silver Chalcogenides},
author = {Kohei Shimamura and Koura Akihide and Fuyuki Shimojo},
journal= {arXiv preprint arXiv:2204.01405},
year = {2024}
}