基于序贯设计从原子模拟高效预测晶界能
材料科学
2022-04-28 v1 统计方法学
摘要
数据驱动的材料科学是加速材料设计的新希望。尤其在计算材料科学中，数据生成可轻易实现自动化。通常焦点在于处理与评估数据以推导规则或发现新材料，而对生成数据的策略关注较少。本工作中，我们展示通过序贯实验设计方案，可将数据生成与从数据学习的过程结合，以发现参数空间中的相关区域。我们的例子是作为几何自由度函数的晶界能，通过原子模拟计算。由于能量深尖点存在于几何参数的不规则间隔处，该晶界能空间甚至其子空间的采样构成挑战。现有采样晶界能子空间的方法因此需要海量数据点或对尖点位置有先验知识。我们将统计方法、原子模拟与序贯采样技术结合，并将该策略与规则采样技术比较。我们由此证明此序贯设计能以最少点数采样子空间，同时自动发现未知尖点。
引用
@article{arxiv.2111.13767,
title = {Efficient prediction of grain boundary energies from atomistic simulations via sequential design},
author = {Martin Kroll and Timo Schmalofski and Holger Dette and Rebecca Janisch},
journal= {arXiv preprint arXiv:2111.13767},
year = {2022}
}