基于机器学习的非局域动能密度泛函及其在简单金属与合金中的应用
材料科学
2024-11-15 v2
摘要
开发高精度的动能密度泛函（KEDF）仍是无轨道密度泛函理论中的主要障碍。我们提出了一种基于机器学习的物理约束非局域（MPN）KEDF，并在 ABACUS 软件包中利用体相衍生的局域赝势与平面波基组予以实现。MPN KEDF 被设计为满足三个精确物理约束：电子动能的标度律、自由电子气极限以及泡利能量密度的非负性。MPN KEDF 针对简单金属（包括 Li、Mg、Al 及 59 种合金）进行了系统测试。我们得出结论：在设计中引入非局域信息并遵循精确物理约束，对于提升基于 ML 的 KEDF 的精度、可迁移性与稳定性至关重要。这些结果为基于 ML 的泛函构建提供了新思路。
引用
@article{arxiv.2310.15591,
title = {Machine learning based nonlocal kinetic energy density functional for simple metals and alloys},
author = {Liang Sun and Mohan Chen},
journal= {arXiv preprint arXiv:2310.15591},
year = {2024}
}
备注
10 pages, 5 figures