张量量的导数学习——从第一性原理预测有限温度红外光谱

我们发展了一种将机器学习与第一性计算相结合的策略，以实现对红外光谱的技术准确预测。具体而言，该方法允许预测复杂系统在有限温度下的红外光谱。该方法的有效性在挑战性场景中得到了证明，例如水以及有机-无机卤化物钙钛矿 MAPbI$_{3}$ 的分析，其中我们的結果始终与实验数据一致。该方法的一个独特特征是采用导数学习，这对于获得 bulk 材料中极化数据的准确性至关重要，并且促进了适用于旋转和平移对称性的机器学习代理模型的训练。我们通过仅训练预测的 Born 有效电荷，实现了约1% 的极化预测准确性。