势能面的从头探索与自引导学习
材料科学
2019-11-19 v1 计算物理
摘要
基于机器学习(ML)的原子间势模型正快速发展为材料模拟的工具。然而，由于其灵活性，它们需要大型拟合数据库，而这些数据库通常经由对参考构型的大量手动筛选与调参来创建。在此，我们展示 ML 势可以以高度自动化的方式构建，在同一协议内从头(de novo)探索并拟合势能面。关键的实现步骤是使用构型平均的核度量，该度量允许在每一步筛选出少数最相关的结构。所得势对于结构搜索过程中出现的广泛构型均准确且稳健，尽管仅需要在小晶胞上进行相对较少的单点 DFT 计算。我们将该方法应用于具有不同化学性质和配位环境的材料，标志着 ML 势在物理、化学与材料科学中更常规应用的里程碑。
引用
@article{arxiv.1905.10407,
title = {De novo exploration and self-guided learning of potential-energy surfaces},
author = {Noam Bernstein and Gábor Csányi and Volker L. Deringer},
journal= {arXiv preprint arXiv:1905.10407},
year = {2019}
}