学习型力场已可用于基态催化剂发现
材料科学
2022-09-27 v1 机器学习
计算物理
摘要
我们提出证据表明，学习型密度泛函理论（“DFT”）力场已可用于基态催化剂发现。我们的核心发现是，在使用学习型势的力进行弛豫时，超过 50% 的被评估体系所得到的结构能量与或使用 RPBE 泛函弛豫所得结构相似或更低，尽管预测的力与真实值存在显著差异。这带来一个令人惊讶的启示：学习型势可能已可用于在诸如 Open Catalyst 2020 数据集中发现的那些具有挑战性的催化体系中替代 DFT。此外，我们表明，在具有与目标 DFT 能量相同极小值的局部谐性能量面上训练的力场，也能在超过 50% 的案例中找到更低或相似能量的结构。该“简易势（Easy Potential）”比在标准真实能量和力上训练的模型收敛步数更少，从而进一步加速计算。其成功说明了一个关键点：即使模型具有较大力误差，学习型势也能定位能量极小值。结构优化的主要要求仅仅是学习型势具有正确的极小值。由于学习型势速度快且随体系大小线性缩放，我们的结果开启了快速寻找大体系基态的可能性。
引用
@article{arxiv.2209.12466,
title = {Learned Force Fields Are Ready For Ground State Catalyst Discovery},
author = {Michael Schaarschmidt and Morgane Riviere and Alex M. Ganose and James S. Spencer and Alexander L. Gaunt and James Kirkpatrick and Simon Axelrod and Peter W. Battaglia and Jonathan Godwin},
journal= {arXiv preprint arXiv:2209.12466},
year = {2022}
}