DeePKS+ABACUS：连接昂贵量子力学模型与机器学习势的桥梁
化学物理
2023-01-11 v2 机器学习
计算物理
摘要
近年来，机器学习（ML）势的发展使得以量子力学（QM）模型的精度进行大规模、长时间分子模拟成为可能。然而，对于高级QM方法，如meta-GGA级别和/或含精确交换的密度泛函理论（DFT）、量子蒙特卡洛等，由于其计算成本高，生成足够训练ML势的数据在算力上仍具挑战。本工作中，我们展示该问题可借由基于ML的DFT模型深度Kohn-Sham（DeePKS）大幅缓解。DeePKS采用计算高效的基于神经网络的功能模型，在廉价DFT模型上构建修正项。训练后，DeePKS给出与高级QM方法接近的能量和力，但所需训练数据量比训练可靠ML势少数个数量级。因此，DeePKS可作为昂贵QM模型与ML势之间的桥梁：人们可生成适量高精度QM数据训练DeePKS模型，再用该模型标注远更多构型以训练ML势。该周期性系统方案在开源DFT软件包ABACUS中实现，可随时用于各类应用。
引用
@article{arxiv.2206.10093,
title = {DeePKS+ABACUS as a Bridge between Expensive Quantum Mechanical Models and Machine Learning Potentials},
author = {Wenfei Li and Qi Ou and Yixiao Chen and Yu Cao and Renxi Liu and Chunyi Zhang and Daye Zheng and Chun Cai and Xifan Wu and Han Wang and Mohan Chen and Linfeng Zhang},
journal= {arXiv preprint arXiv:2206.10093},
year = {2023}
}