跨温度机器学习物质电子结构
材料科学
2023-10-02 v2 计算物理
摘要
我们引入可预测材料在宽温度范围内电子结构的机器学习（ML）模型。我们的模型采用神经网络并基于密度泛函理论（DFT）数据训练。与多数使用DFT数据的其他ML模型不同，我们的模型直接预测电子结构的局域态密度（LDOS）。这带来若干优势，包括可获取电子密度与电子总自由能等多种可观测量。此外，我们的模型独立考量电子温度与离子温度，使其非常适用于如物质激光加热等应用。我们在一个金属测试系统上验证了基于LDOS模型的效能。即便仅在部分温度上训练，它们也能准确捕捉宽温域内由离子与电子温度变化引起的能量效应。这些发现为探究环境及极端条件下材料电子结构开辟了令人振奋的机遇。
引用
@article{arxiv.2306.06032,
title = {Machine learning the electronic structure of matter across temperatures},
author = {Lenz Fiedler and Normand A. Modine and Kyle D. Miller and Attila Cangi},
journal= {arXiv preprint arXiv:2306.06032},
year = {2023}
}