用于机器学习加速电子结构计算的电荷密度线性 Jacobi-Legendre 展开
材料科学
2023-05-29 v2
摘要
Kohn-Sham 密度泛函理论（KS-DFT）是获取关键材料性质的强有力方法，但 KS 方程的迭代求解是数值密集型任务，限制了其在复杂体系中的应用。为解决此问题，机器学习（ML）模型可用作代理以寻找基态电荷密度并降低计算开销。我们开发了一种基于 Jacobi 与 Legendre 多项式结合线性回归的以网格为中心的结构表示，以精确学习收敛的 DFT 电荷密度。这集成到一个 ML 流程中，能以收敛 DFT 计算的质量返回任意密度依赖可观测量（包括能量与力），而计算成本仅为其一小部分。快速扫描能量景观以及为 DFT 自洽循环生成起始密度是我们方案的应用之一。
引用
@article{arxiv.2301.13550,
title = {Linear Jacobi-Legendre expansion of the charge density for machine learning-accelerated electronic structure calculations},
author = {Bruno Focassio and Michelangelo Domina and Urvesh Patil and Adalberto Fazzio and Stefano Sanvito},
journal= {arXiv preprint arXiv:2301.13550},
year = {2023}
}