加速稳定三元合金搜索的机器学习代理模型
材料科学
2023-09-19 v1
摘要
在新相搜索中相图的预测是一项复杂且计算密集的任务。密度泛函理论在许多情形下提供了所需精度,但随着涉及物种数增加,即便使用局域与半局域泛函,其通量也变得难以承受地受限。在此,我们探索将机器学习模型集成到三元凸包图构建工作流中的可能性。具体而言,我们在易获取的双元相上训练一组谱邻域分析势(SNAPs),并确立其是否足以预测新三元相的能量。该策略无需任何为构建模型而专门的新计算,仅利用存储在双元相图库中的数据。我们发现,如此构建的SNAP能够对接近平衡几何的三元相进行准确的总能估计,但一般而言无法执行原子弛豫。这是因为在典型弛豫路径中,给定相会穿越训练集表征不佳的参数空间区域。随后我们研究不同度量以评估给定SNAP模型对未知结构的描述优度,发现SNAP集成模型的标准差提供了一种快速且非物种特异的度量。
引用
@article{arxiv.2303.16597,
title = {Machine-Learning Surrogate Model for Accelerating the Search of Stable Ternary Alloys},
author = {Michael Minotakis and Hugo Rossignol and Matteo Cobelli and Stefano Sanvito},
journal= {arXiv preprint arXiv:2303.16597},
year = {2023}
}