面向材料多保真度尺度桥接与动力学模拟的机器学习
计算物理
2020-04-02 v1 材料科学
摘要
分子动力学（MD）是一种强大且流行的工具，用于理解材料在纳米和介观尺度上的动力学演化。MD 有多种类型，从高精度但计算昂贵的从头算 MD，到相对低精度但高效得多的经典 MD（如原子级和粗粒度模型）。材料科学家已分别使用这些不同类型的 MD 来推动材料发现和设计的突破。各种 MD 类型之间存在显著鸿沟，各自具有不同水平的保真度。DFT 或从头算 MD 的精度通常远高于经典原子模拟，而后者又高于粗粒度模型。将从头算 MD 的精度与灵活性与经典 MD 的效率相结合的多保真度尺度桥接一直是一个长期目标。大数据分析的兴起使强大的机器学习方法走到前沿，可部署以实现此目标。在此，我们提供了关于多保真度尺度桥接挑战的视角，并追溯直至使用机器学习算法和数据科学应对这一重大挑战的发展过程。
引用
@article{arxiv.2004.00232,
title = {Machine Learning for Multi-fidelity Scale Bridging and Dynamical Simulations of Materials},
author = {Rohit Batra and Subramanian Sankaranarayanan},
journal= {arXiv preprint arXiv:2004.00232},
year = {2020}
}