具有群-子群结构的材料的机器学习建模
化学物理
2021-04-29 v5
摘要
通过连续相变关联的晶体结构,由晶体学群与其子群之间的数学关系相联系。在本研究中,我们引入群-子群机器学习(GS-ML),并表明在训练集中包含具有小晶胞的材料可降低具有大晶胞材料样本外预测误差。与其他 ML 方法相比,GS-ML 达到 2-3% 目标精度所需的训练代价最小。由于现有材料数据集异构,提供的群-子群结构实例不足,我们给出 "FriezeRMQ1D" 数据集,含 8393 个均匀分布于 7 个 frieze 群的 Q1D 有机金属材料。此外,通过比较 FCHL 与 1-hot 表示的性能,我们表明当描述符编码结构信息时,GS-ML 能高效捕获子群信息。所提方法是通用的,并可推广到诸如自旋序、价序或电荷序等对称性抽象。
引用
@article{arxiv.2012.15619,
title = {Machine Learning Modeling of Materials with a Group-Subgroup Structure},
author = {Prakriti Kayastha and Raghunathan Ramakrishnan},
journal= {arXiv preprint arXiv:2012.15619},
year = {2021}
}
备注
Minor revision