扭曲材料密度泛函理论哈密顿量的深度学习数据库
材料科学
2024-04-10 v1
摘要
莫尔扭曲材料因其独特的性质和有趣的物理现象而引起了广泛的研究兴趣。然而，对此类材料进行第一性原理研究面临挑战，尤其是模拟超大型扭曲结构所带来的巨大计算成本。这一障碍阻碍了构建对数据驱动材料发现至关重要的扭曲材料数据库。本文通过高通量计算和最先进的神经网络方法，构建了一个名为 DDHT 的扭曲材料密度泛函理论（DFT）哈密顿量深度学习数据库。DDHT 数据库包含超过一百种同质双层和异质双层莫尔扭曲材料的训练好的神经网络模型。这些模型能够准确预测这些材料在任意扭曲角下的 DFT 哈密顿量，平均绝对误差约为 1.0 meV 或更低。该数据库有助于在超大型扭曲结构中探索平带和相关材料平台。
引用
@article{arxiv.2404.06449,
title = {Deep-Learning Database of Density Functional Theory Hamiltonians for Twisted Materials},
author = {Ting Bao and Runzhang Xu and He Li and Xiaoxun Gong and Zechen Tang and Jingheng Fu and Wenhui Duan and Yong Xu},
journal= {arXiv preprint arXiv:2404.06449},
year = {2024}
}