通过将基态电子能量作为基于原子的电子布居函数引入机器学习势能面以融入电子信息
化学物理
2020-03-05 v1
摘要
机器学习（ML）对密度泛函理论（DFT）势能面（PESs）的近似在降低精确分子模拟的计算成本方面展现出巨大前景，但目前它们不适用于变化的电子态，尤其不适用于局域电子结构对中长程电子环境敏感的分子体系。针对此问题，我们提出一种称为 bpopNN 的新机器学习方法，用于高效近似 DFT 势能面。该方法基于将真实 DFT 能量表示为原子上电子布居的函数来逼近，这可在实践中通过约束 DFT（CDFT）实现。新方法利用深度神经网络对该函数进行近似。这些近似从而将电子信息自然融入 ML 方法中，且相对于布居优化模型能量可使电子项像在 DFT 中一样自适应地适应环境。我们通过 LiH 团簇的多种计算证实了该方法的有效性。
引用
@article{arxiv.2003.01893,
title = {Incorporating electronic information into Machine Learning potential energy surfaces via approaching the ground-state electronic energy as a function of atom-based electronic populations},
author = {Xiaowei Xie and Kristin A. Persson and David W. Small},
journal= {arXiv preprint arXiv:2003.01893},
year = {2020}
}
备注
28 pages, 8 figures