机器学习无机卤化物钙钛矿CsPbBr$_3$的DFT势能面
材料科学
2019-10-09 v1 计算物理
摘要
随温度变化的structural相变在许多具有重要技术意义的材料中决定了结构—功能关系。调和哈密顿量在预测许多材料的振动性质方面已被证明是成功的。然而，对于势能面相对于集体原子位移或均匀应变强烈非调和或非凸的晶体，它们不足以建模structural相变。在本文中，我们开发了一个框架，将高度非调和的第一性原理势能面表示为集体团簇变形的多项式。我们进一步通过使用人工神经网络模型将该方案适配为团簇展开形式化的非线性扩展。机器学习模型在大规模第一性原理计算数据库上训练，并被证明能以低误差复现势能面。
引用
@article{arxiv.1907.12002,
title = {Machine learning the DFT potential energy surface for inorganic halide perovskite CsPbBr$_3$},
author = {John C. Thomas and Jonathon S. Bechtel and Anirudh Raju Natarajan and Anton Van der Ven},
journal= {arXiv preprint arXiv:1907.12002},
year = {2019}
}