机器学习驱动的铁氢化物结构预测
材料科学
2025-02-14 v1
摘要
我们创建了一种计算工作流，利用机器学习原子间势结合极小值跳跃算法来分析材料的势能面（PES）。我们通过神经网络以迭代训练过程为铁氢化物构建了一个通用的机器学习原子间势，以在不同压力下探索其能量景观，从而展示了该方法。为评估精度并理解 PES 的复杂性，我们使用基于神经网络的势与极小值跳跃方法相结合进行了全面的晶体结构预测。预测的压力范围从常压到 100 GPa。我们的结果复现了实验验证的全局最小结构，如 dhcp、hcp 和 fcc，印证了先前的发现。此外，我们在不同压力下对铁氢化物 PES 的深入探索揭示了这些相中的复杂变化和层错，从而识别出若干新的低焓结构。该研不仅确认了已确立的 FeH 构型区域的存在，还凸显了使用数据驱动的广泛结构预测方法来揭示材料多面势能面的有效性。
引用
@article{arxiv.2311.06010,
title = {Machine Learning-Driven Structure Prediction for Iron Hydrides},
author = {Hossein Tahmasbi and Kushal Ramakrishna and Mani Lokamani and Attila Cangi},
journal= {arXiv preprint arXiv:2311.06010},
year = {2025}
}