多物种成分中原子能量的高效准确机器学习插值
材料科学
2017-12-05 v3 无序系统与神经网络
摘要
用于原子模拟的机器学习势（MLPs）是传统经典势的一种有前景的替代方案。当前的方法依赖于局部原子环境的描述符，其维度随化学物种数量的增加呈二次增长。在本文中，我们证明了在实际应用中可以避免这种尺度扩展。我们表明，一个数学上简单且计算高效的具有常数复杂度的描述符，足以表示包含 11 种化学物种的过渡金属氧化物成分和生物分子，其精度约为 3 meV/atom。这一见解消除了对 MLPs 实用性的一个感知限制，并为研究具有十种以上化学物种的以往难以触及的材料的物理性质铺平了道路。
引用
@article{arxiv.1706.06293,
title = {Efficient and Accurate Machine-Learning Interpolation of Atomic Energies in Compositions with Many Species},
author = {Nongnuch Artrith and Alexander Urban and Gerbrand Ceder},
journal= {arXiv preprint arXiv:1706.06293},
year = {2017}
}