使用机器学习预测准确吸附能中的误差最小化
材料科学
2019-05-08 v1 计算物理
摘要
寻找“理想”催化剂是化学家和材料科学家群体非常感兴趣的问题，部分原因是其广泛的工业应用。关于称为“吸附能”的物理参数的信息，它决定了吸附质在基底上的附着程度，是选择催化反应催化剂的主要要求。实验和计算机模拟都被广泛用于估计吸附能，这两种方法都是爱迪生式的，需要大量资源且耗时。在本报告中，通过采用数据驱动的方法，我们几乎即时地预测了原子和分子气体在许多过渡金属表面的吸附能。使用少于10组简单的原子特征，我们的吸附能预测与量子多体微扰理论估计值的均方根误差小于0.4 eV，而量子多体微扰理论计算成本高但与实验吻合良好。此外，通过使用传统交换关联泛函预计算的吸附能作为特征向量的一个分量，我们将均方根误差最小化至0.11 eV。基于我们的结果，我们建立了一套多体微扰理论与传统DFT交换关联泛函计算的吸附能之间的标度律。
引用
@article{arxiv.1905.02350,
title = {Error Minimization in Predicting Accurate Adsorption Energies Using Machine Learning},
author = {Sanjay Nayak and Satadeep Bhattacharjee and Jung-Hae Choi and Seung Cheol Lee},
journal= {arXiv preprint arXiv:1905.02350},
year = {2019}
}
备注
6 pages, 4 Figure