用于改进密度泛函理论热力学的机器学习方法
材料科学
2025-03-10 v1 机器学习
摘要
密度泛函理论 (DFT) 对合金形成焓的预测精度通常受限于固有的能量分辨率误差，特别是在三元相稳定性计算中。在本工作中，我们提出了一种机器学习 (ML) 方法来系统性地修正这些误差，从而提高第一性原理预测的可靠性。我们训练了一个神经网络模型来预测二元和三元合金及化合物的 DFT 计算焓值与实验测量焓值之间的差异。该模型利用包含元素浓度、原子序数和交互项的结构化特征集，以捕捉关键的化学和结构效应。通过应用监督学习和严格的数据筛选，我们确保了稳健且具有物理意义的修正。该模型被实现为一个具有三个隐藏层的多层感知机 (MLP) 回归器，并通过留一交叉验证 (LOOCV) 和 k 折交叉验证进行优化以防止过拟合。我们通过将该方法应用于 Al-Ni-Pd 和 Al-Ni-Ti 系统来说明其有效性，这些系统在航空航天和防护涂层的高温应用中备受关注。
引用
@article{arxiv.2503.05525,
title = {Machine Learning for Improved Density Functional Theory Thermodynamics},
author = {Sergei I. Simak and Erna K. Delczeg-Czirjak and Olle Eriksson},
journal= {arXiv preprint arXiv:2503.05525},
year = {2025}
}
备注
9 pages, 5 figures, 1 table