基于代理机器学习模型的低标度弹性带计算算法
计算物理
2019-04-24 v1
摘要
我们提出引入代理高斯过程回归（GPR）原子模型，以极大加速经典弹性带（NEB）计算的收敛速度。在我们的代理模型方法中，收敛弹性带的计算代价不再随路径上移动图像的数量而标度。这提供了一种更高效且稳健的过渡态搜索方法。与传统的 NEB 计算不同，本文提出的算法无需为获得收敛结果而调整图像数量。这是通过发明一种新的收敛判据实现的，该判据利用 GPR 的概率特性，将全部图像的不确定性估计与分析势中过渡态的力相结合。就函数评估次数而言，我们的方法比传统 NEB 方法快一个数量级，且收敛能垒值无精度损失。
引用
@article{arxiv.1811.08022,
title = {Low-Scaling Algorithm for Nudged Elastic Band Calculations Using a Surrogate Machine Learning Model},
author = {José A. Garrido Torres and Paul C. Jennings and Martin H. Hansen and Jacob R. Boes and Thomas Bligaard},
journal= {arXiv preprint arXiv:1811.08022},
year = {2019}
}
备注
10 pages, 4 figures, supplemental material (2 pages, 1 figure, 1 table)