固体的电子响应量与深度学习
介观与纳米尺度物理
2021-08-18 v1
摘要
我们引入了一个称为实空间原子分解网络（\textsc{radnet}）的深度神经网络（DNN）框架，其能够对固体进行精确的极化与静态介电函数预测。我们利用这些预测计算了 GaAs 与 BN 两个原型示例的 Born 有效电荷、纵光学-横光学（LO-TO）分裂频率以及拉曼张量。随后我们计算了拉曼光谱，发现与 \textit{ab initio} 技术高度吻合。\textsc{radnet} 优于或等同于现有方法。最后，我们讨论了 \textsc{radnet} 如何扩展至更大体系，从而为以 \textit{ab initio} 精度预测介观尺度结构的响应函数铺平道路。
引用
@article{arxiv.2108.07614,
title = {Electronic Response Quantities of Solids and Deep Learning},
author = {Kevin Ryczko and Olivier Malenfant-Thuot and Michel Côté and Isaac Tamblyn},
journal= {arXiv preprint arXiv:2108.07614},
year = {2021}
}