如何表示用于机器学习的晶体结构：迈向电子性质的快速预测
材料科学
2014-05-23 v3
摘要
固体的高通量密度泛函计算极其耗时。作为替代方案，我们在此提出一种机器学习方法，用于快速预测固态性质。为此，我们使用 LSDA 计算作为训练集。我们专注于预测金属与绝缘体行为，以及预测费米能级处的电子态密度值。我们发现，对于周期性固体，输入数据的传统表示（如 Coulomb 矩阵）不适用于学习机器的训练。我们提出了一种新的晶体结构表示法，使得在无限制的 spd 系统类中实现学习和具有竞争力的预测精度成为可能。由于磁现象的存在，发现在 d 系统上进行学习比在纯 sp 系统中更为困难。
引用
@article{arxiv.1307.1266,
title = {How to represent crystal structures for machine learning: towards fast prediction of electronic properties},
author = {K. T. Schütt and H. Glawe and F. Brockherde and A. Sanna and K. R. Müller and E. K. U. Gross},
journal= {arXiv preprint arXiv:1307.1266},
year = {2014}
}