电场梯度的等变机器学习——预测 MAPbI$_3$ 相变中的四极耦合常数
材料科学
2025-07-28 v1
摘要
我们提出了一种结合机器学习与第一性原理计算的策略，以实现高精度的核四极耦合常数预测。我们的方法采用两个不同的机器学习框架：一个用于生成分子动力学轨迹的机器学习力场，以及一个保持旋转和平移对称性的用于电场梯度的模型。通过引入恒温器驱动的分子动力学采样，我们能够预测有限温度下高度无序材料中的四极耦合常数。我们通过预测有机-无机卤化物钙钛矿 MAPbI 的四方到立方相变温度来验证该方法，获得的结果与实验数据高度吻合。
引用
@article{arxiv.2507.19435,
title = {Equivariant machine learning of Electric Field Gradients -- Predicting the quadrupolar coupling constant in the MAPbI$_3$ phase transition},
author = {Bernhard Schmiedmayer and J. W. Wolffs and Gilles A. de Wijs and Arno P. M. Kentgens and Jonathan Lahnsteiner and Georg Kresse},
journal= {arXiv preprint arXiv:2507.19435},
year = {2025}
}
备注
11 pages, 7 figures