氧化锆的相变：超越密度泛函理论的机器学习力场
材料科学
2022-03-02 v1
摘要
我们提出了一种生成具有超越密度泛函理论（DFT）精度的机器学习力场（MLFF）的方法。我们的方法结合了在线主动学习与-机器学习，以基于随机相近似（RPA）为氧化锆生成MLFF。具体而言，在基于DFT的分子动力学模拟期间在线训练的MLFF，由另一个在RPA与DFT计算的能量、力和应力张量之差上训练的MLFF进行校正。由于这些差值相对平滑，昂贵的RPA计算仅在小单元晶胞的少量代表性结构上执行。这些结构通过低空间分辨率核矩阵的奇异值分解秩压缩来确定。这极大地降低了计算成本，并使我们能够生成完全能够复现超越DFT的高阶量子力学计算的MLFF。我们仔细验证了我们的方法，并证明了其在研究氧化锆相变方面的成功。
引用
@article{arxiv.2109.06282,
title = {Phase Transitions of Zirconia: Machine-Learned Force Fields Beyond Density Functional Theory},
author = {Peitao Liu and Carla Verdi and Ferenc Karsai and Georg Kresse},
journal= {arXiv preprint arXiv:2109.06282},
year = {2022}
}