基于机器学习的准一维材料在应变下电子结构预测
材料科学
2022-06-01 v3 计算物理
量子物理
摘要
我们提出了一种基于机器学习的模型，能够在纳米管、纳米带、纳米线、各类手性结构及纳米组装体等准一维材料受到扭转和拉伸/压缩等变形模式作用时，预测其电子结构；对于这些材料，调控机械形变与电子场之间的相互作用是文献中一个活跃的研究领域。我们的模型纳入了全局结构对称性与原子弛豫效应，得益于使用螺旋坐标来刻画电子场，并采用了一种专门的数据生成过程，该过程在这些坐标下求解对称适配的Kohn-Sham密度泛函理论方程。以扶手椅型单壁碳纳米管为原型示例，我们展示了当指定三个参数——即纳米管半径、其轴向拉伸量和单位长度扭转角——作为输入时，该模型可预测与基态电子密度和核赝电荷相关的场。其他感兴趣的电子性质，包括基态电子自由能，随后可通过低开销的后处理步骤进行评估，通常可达化学精度。我们还展示了如何利用基于聚类的方法从赝电荷场可靠地确定核坐标。值得注意的是，仅约120个数据点即足以准确预测三维电子场，我们将其归因于问题设定中的对称性、采用低差异序列进行采样，以及电子场中存在的本征低维特征。我们评述了机器学习模型的可解释性，并讨论了其未来可能的应用。
引用
@article{arxiv.2202.00930,
title = {Machine learning based prediction of the electronic structure of quasi-one-dimensional materials under strain},
author = {Shashank Pathrudkar and Hsuan Ming Yu and Susanta Ghosh and Amartya S. Banerjee},
journal= {arXiv preprint arXiv:2202.00930},
year = {2022}
}