用于探索小极化子构型空间的机器学习方法
材料科学
2023-04-03 v1 计算物理
摘要
极化子缺陷在材料中普遍存在，并在许多涉及载流子迁移率、电荷转移和表面反应性的过程中发挥重要作用。确定小极化子的空间分布对于理解材料性质与功能至关重要。这需要对构型空间进行探索，而使用标准第一性原理方法时计算代价高昂，对于多极化子系统在技术上更难以实现。在此，我们提出一种机器学习（ML）加速搜索方法，比较不同极化子构型的能量稳定性并确定基态构型。基于核回归的ML模型在由密度泛函理论（DFT）计算生成的数据库上训练，这些计算针对一组最小的初始极化子构型，该构型集通过分子动力学模拟或随机采样方法获得。为了在训练数据与构型稳定性之间建立高效映射，我们设计了简单的描述符来建模极化子与带电点缺陷之间的相互作用。本文提出的DFT+ML方案用于探索两个不同系统（氧缺陷金红石TiO(110)和Nb掺杂SrTiO(001)）的数百万个极化子构型。我们的数据显示，ML辅助搜索能正确识别基态极化子构型，提出训练未涉及的新极化子构型，并可用于高效确定任意电荷浓度下极化子的最优分布。
引用
@article{arxiv.2202.01042,
title = {Machine Learning for Exploring Small Polaron Configurational Space},
author = {Viktor C. Birschitzky and Florian Ellinger and Ulrike Diebold and Michele Reticcioli and Cesare Franchini},
journal= {arXiv preprint arXiv:2202.01042},
year = {2023}
}