用于铁磁材料第一性原理物性计算的机器学习
材料科学
2022-08-01 v2 计算物理
摘要
使用蒙特卡洛（MC）方法研究有限温度性质需要对系统哈密顿量进行大量求值，以采样获取物理可观测量随温度变化所需的相空间。DFT 计算可提供精确的能量评估，但其计算代价过高，难以用于常规模拟。为规避此问题，基于机器学习（ML）的替代模型已被开发并部署于高性能计算（HPC）架构上。本文中，我们描述两种 ML 方法（线性混合模型与 HydraGNN）作为第一性原理密度泛函理论（DFT）计算结合经典 MC 模拟的替代模型。这两种替代模型用于学习目标物理性质对其组分复杂构成与相互作用的依赖关系。我们给出了这两种替代模型相对于其复杂度的预测性能，同时避免模型过拟合的风险。我们方法的一个重要方面是基于 MC 模拟对系统相空间的逐步探索，用新生成的第一性原理数据周期性重训练。数值结果表明，对于磁性合金材料，HydraGNN 模型相较线性混合模型取得了更优的预测性能。
引用
@article{arxiv.2207.10144,
title = {Machine Learning for First Principles Calculations of Material Properties for Ferromagnetic Materials},
author = {Markus Eisenbach and Mariia Karabin and Massimiliano Lupo Pasini and Junqi Yin},
journal= {arXiv preprint arXiv:2207.10144},
year = {2022}
}
备注
arXiv admin note: substantial text overlap with arXiv:2202.01954