机器学习能带间隙预测：链接准粒子自洽 GW 与 LDA 派生部分态密度
材料科学
2025-07-28 v1
摘要
准确计算给定晶体结构的能带间隙高度令人期待。然而，基于局域密度泛函理论（DFT）的常规第一性质计算在局域密度近似（LDA）下难以准确预测能带间隙。为此，常采用准粒子自洽 GW（QSGW）方法，因为这是最可靠的能带间隙预测理论方法之一。尽管 QSGW 具有高度精度，但需要巨大的计算资源。为克服这一限制，我们提出将 QSGW 与机器学习结合。在本研究中，我们将 QSGW 应用于来自 Materials Project 的 1516 种材料，并使用机器学习预测 LDA 中部分态密度（PDOS）作为 QSGW 能带间隙的函数。我们的结果表明，所提出的模型显著优于采用线性无关描述符生成的线性回归方法。这一模型是一种基于 PDOS 预测材料性质的原型。
引用
@article{arxiv.2507.19189,
title = {Machine Learning Band Gap Predictions: Linking Quasiparticle Self-Consistent GW and LDA-Derived Partial Density of States},
author = {Shota Tankano and Takao Kotani and Masao Obata and Kazunori Sato and Harutaka Saito and Tatsuki Oda},
journal= {arXiv preprint arXiv:2507.19189},
year = {2025}
}