基于图神经网络与量子嵌入技术的关联体系相变研究

关联体系代表了一类难以通过传统电子结构方法描述的材料。在考虑关联效应的情况下，模拟此类体系结构动力学的计算需求巨大。在此，我们通过将量子嵌入技术与源自图神经网络的原子间势相结合，研究了f电子和d电子关联体系的结构动力学。对于典型的f电子关联体系铈（Cerium），由于Gutzwiller近似能高效地包含大型多轨道体系的关联效应，我们使用基于该近似的密度泛函理论来生成训练数据。对于典型的d电子关联体系氧化镍（Nickel Oxide），计算能力的进步现在允许使用完整的动力学平均场理论来获取能量和力。我们基于这些数据训练神经网络，以创建势能面模型，从而能够快速有效地探索结构动力学。利用这些势能，我们描绘了铈的α、α'和α''相之间的转变路径，并预测了氧化镍的熔化曲线。我们的结果展示了机器学习势能在加速强关联体系研究方面的潜力，为探索和理解支配这些材料的复杂物理提供了一种可扩展的方法。