用于形成能机器学习模型的晶体结构表示
化学物理
2015-03-26 v1
摘要
我们引入并评估了一组用于固体形成能机器学习（ML）模型的晶体结构特征向量表示。有机分子原子化能的ML模型使用分子的库仑矩阵表示已取得成功。我们考虑了将此表示推广到周期系统的三种方式：（i）一个矩阵，其中每个元素与单元胞中两个不同原子在晶格上重复的静电相互作用的Ewald求和有关；（ii）考虑若干相邻单元胞的扩展类库仑矩阵；（iii）通过使用原子晶体坐标的正弦函数模仿Ewald求和矩阵的周期性和基本特征的Ansatz。利用从Materials Project获得的3938个晶体结构的数据集，比较了带有曼哈顿范数的拉普拉斯核，训练以重现形成能。对于由3000个晶体组成的训练集，预测新结构形成能的泛化误差分别对应（i）0.49、（ii）0.64和（iii）0.37 eV/原子。
引用
@article{arxiv.1503.07406,
title = {Crystal Structure Representations for Machine Learning Models of Formation Energies},
author = {Felix Faber and Alexander Lindmaa and O. Anatole von Lilienfeld and Rickard Armiento},
journal= {arXiv preprint arXiv:1503.07406},
year = {2015}
}