机器学习用于预测晶体固体声子的普适谐原子间势

声子作为晶体材料中的量子化振动模式，在决定热导率和电导率等一系列物理性质方面发挥着关键作用，使其研究成为材料科学的基石。在本研究中，我们提出了一种简单而有效的策略，利用现有的声子数据库和最先进的机器学习技术，对晶体固体中的谐声子进行深度学习。我们方法的关键在于将主要以原子间力常数表示的现有声子数据集，转换为适合训练机器学习普适原子间势的力 - 位移表示。通过将我们的方法应用于 publicly available 的最大声子数据库之一，我们证明了所得的机器学习普适谐原子间势不仅能准确预测完整的谐声子谱，还能以极高的精度计算关键热力学性质。此外，我们模型中对谐势能面的限制提供了一种评估机器学习预测振动性质不确定性的方法，这对于指导材料科学的进一步改进和应用至关重要。