非磁性元素金属的线性化机器学习原子间势：对描述符的局限性与预测能力的趋势
材料科学
2018-08-01 v1 计算物理
摘要
机器学习原子间势（MLIP）作为一种描述所关注系统能量学的有用方法，一直受到越来越多的关注。在本研究中，我们检验了线性化成对 MLIP 和角依赖 MLIP 对 31 种元素金属的准确性。利用 31 种元素金属的所有最优 MLIP，我们展示了线性化框架的鲁棒性、MLIP 预测能力的一般趋势以及成对 MLIP 的局限性。结果，我们使用相同的线性化框架获得了所有 31 种元素的精确 MLIP。这表明使用大量描述符是构建高精度 MLIP 最重要的实用特征。对于大多数非过渡金属，仅使用成对描述符即可构建精确的 MLIP，而在表达过渡金属的原子间相互作用时，考虑角依赖描述符非常重要。
引用
@article{arxiv.1710.05677,
title = {Linearized machine-learning interatomic potentials for non-magnetic elemental metals: Limitation of pairwise descriptors and trend of predictive power},
author = {Akira Takahashi and Atsuto Seko and Isao Tanaka},
journal= {arXiv preprint arXiv:1710.05677},
year = {2018}
}
备注
18 pages, 14 figures