基于机器学习引导的轨道自由密度泵函的解析动能函数构建
材料科学
2025-04-10 v2 机器学习
摘要
轨道自由密度泉理( OF-DFT)的动能函数( KEF)的机器学习方法，承诺解决大规模原子级材料建模中缺乏足够精确解析KEF的关键瓶颈。然而，机器学习模型不如解析表达式易于处理；它们需要以算法及其关联数据的形式提供。本文通过解释性机器学习某些材料的晶胞平均动能密度( {\tau})来桥接两种方法，并构建了KEF的解析表达式。使用包括锂、铝、镁、硅、砷、镓、锑、钠、锡、磷和铟在内的433种单元、二元和三元化合物多个相态的已发布数据集用于训练，包括平衡几何构型及应变结构。采用高斯过程回归-神经网络( GPR-NN)方法来理解{\tau}对包含4阶梯度展开的cell平均项以及电子密度与Kohn-Sham有效势之积的特征之间函数类型的依赖关系。基于此分析，构建了一个可再现Kohn-Sham DFT能量-体积曲线的解析模型，其局部值足够接近Kohn-Sham DFT曲线的局部值，曲率也足够接近，从而可用于结构优化和弹性响应计算。
引用
@article{arxiv.2502.05411,
title = {Machine learning-guided construction of an analytic kinetic energy functional for orbital free density functional theory},
author = {Sergei Manzhos and Johann Luder and Pavlo Golub and Manabu Ihara},
journal= {arXiv preprint arXiv:2502.05411},
year = {2025}
}
备注
17 pages, 7 figures