学习凝聚态中的电子态密度
材料科学
2021-01-04 v2 机器学习
摘要
电子态密度（DOS）在准粒子图像中量化了可被电子占据的能级分布，是现代电子结构理论的核心。它也支撑着对光学吸收和电导率等实验可观测材料性质的计算与解释。我们讨论了构建一个机器学习（ML）框架所固有的挑战，该框架旨在将DOS预测为依赖于每个原子周围邻域几何构型的局域贡献的组合，并使用密度泛函理论的准粒子能级作为训练数据。我们展示了一个具有挑战性的案例研究，涵盖硅在广泛热力学条件下的构型，从体结构到团簇，从半导体行为到金属行为。我们比较了表示DOS的不同方法，以及直接或通过DOS评估的副产物来预测费米能级、费米能级处的DOS或带能等量的准确性。模型的性能关键取决于DOS的平滑处理，并且必须在平滑带来的系统误差与特定结构的ML模型误差之间进行权衡。我们通过计算一个大尺寸非晶硅样品的态密度证明了该方法的有用性，直接电子结构计算该DOS将昂贵得令人望而却步，并展示了通过我们的模型获得的以原子为中心的DOS分解如何用于提取结构特征与电子特征之间关联的物理见解。
引用
@article{arxiv.2006.11803,
title = {Learning the electronic density of states in condensed matter},
author = {Chiheb Ben Mahmoud and Andrea Anelli and Gábor Csányi and Michele Ceriotti},
journal= {arXiv preprint arXiv:2006.11803},
year = {2021}
}