基于持续同调的描述符用于非晶结构机器学习势
机器学习
2023-05-23 v3 无序系统与神经网络
材料科学
摘要
凝聚态物理中，高精度预测非晶材料的物理性质具有挑战性。一种有前景的实现方法是机器学习势，它作为计算昂贵的 ab initio 计算的替代方案。在应用机器学习势时，构造表示原子构型的描述符至关重要。这些描述符应对对称操作不变。利用原子位置平滑重叠的手工表征和图神经网络（GNN）是构造对称不变描述符的方法示例。本研究中，我们提出一种基于持续图（PD）的新描述符，PD 是持续同调（PH）的二维表示。首先，我们证明由 PD 得到的归一化二维直方图即使使用简单模型也能预测各种密度下非晶碳（aC）的平均每个原子能量。其次，对描述符空间降维结果的分析揭示，PH 可用于构造具有类似 GNN 中潜空间特征的描述符。这些结果表明，PH 是一种很有前景的构造适用于机器学习势的描述符的方法，且无需超参数调优和深度学习技术。
引用
@article{arxiv.2206.13727,
title = {Persistent homology-based descriptor for machine-learning potential of amorphous structures},
author = {Emi Minamitani and Ippei Obayashi and Koji Shimizu and Satoshi Watanabe},
journal= {arXiv preprint arXiv:2206.13727},
year = {2023}
}
备注
24 pages, 6 figures