用于原子体系的卷积神经网络
材料科学
2018-03-21 v2
摘要
我们引入一种名为 CNNAS（用于原子体系的卷积神经网络）的新方法，用于计算原子体系的总能量，其计算成本可与经验势相媲美，同时保持从头计算的精度。该方法使用深度卷积神经网络，其输入是原子结构的简单表示。我们使用这种方法来预测利用密度泛函理论获得的各类二维六角晶格的能量。使用包含石墨烯、六方氮化硼以及有缺陷和无缺陷的石墨烯-六方氮化硼异质结构的数据集，我们训练了一个深度卷积神经网络，能够以极高的精度预测密度泛函理论能量，平均绝对误差为 0.198 meV/原子（最大绝对误差为 16.1 meV/原子）。为了探索我们的新方法，我们研究了深度神经网络在预测二维和三维二聚体分子数据集的 Lennard-Jones 能量和分离距离方面的能力。此外，我们通过执行内插和外推测试，系统地研究了深度学习模型的灵活性。
引用
@article{arxiv.1706.09496,
title = {Convolutional neural networks for atomistic systems},
author = {Kevin Ryczko and Kyle Mills and Iryna Luchak and Christa Homenick and Isaac Tamblyn},
journal= {arXiv preprint arXiv:1706.09496},
year = {2018}
}