机器学习局部电子态密度
材料科学
2025-08-26 v2 无序系统与神经网络
摘要
电子态密度（DOS）在决定和理解材料性质方面起着关键作用。我们研究了原子贡献在机器可学习性方面，专注于原子投影态密度而非结构态密度。这种用于结构-性质映射的方法既可扩展又可迁移，能够在各种大小和配置的纯硅和碳结构中实现高预测精度。此外，我们演示了该模型对复杂Sn-S-Se化合物结构的通用性。利用局部训练的DOS显著提高了预测材料性质（包括带能、费米能、热容和磁化率）的准确性。我们的发现表明，直接学习原子DOS而非结构DOS，提高了结构-性质映射中机器学习的效率、准确性和可解释性。这种简化方法降低了计算复杂度，为无需昂贵ab initio计算即可检查材料的电子结构铺平了道路。
引用
@article{arxiv.2504.16052,
title = {Machine learning the local electronic density of states},
author = {A. Aryanpour and Ali Sadeghi},
journal= {arXiv preprint arXiv:2504.16052},
year = {2025}
}
备注
11 pages, 7 figures