从基态数据预测热电子自由能
材料科学
2022-09-30 v2 机器学习
摘要
机器学习势通常训练于基态、玻恩–奥本海默能量面，其仅依赖于原子位置而不依赖于模拟温度。这忽略了热激发电子的效应，该效应在金属中重要，对温稠密物质的描述必不可少。对这些效应的准确物理描述要求原子核在依赖于温度的电子自由能上运动。我们提出一种方法，仅使用来自基态计算的训练数据即可获得任意电子温度下的该自由能的机器学习预测，从而避免训练温度依赖势的需求，并以气态巨行星与褐矮星核心条件下的金属态液氢为基准进行测试。本工作展示了利用物理考量结合机器学习预测的混合法之优势，为开发类似方法提供蓝图，通过消除物理与数据驱动方法间的壁垒来拓展原子尺度建模的适用范围。
引用
@article{arxiv.2205.05591,
title = {Predicting hot-electron free energies from ground-state data},
author = {Chiheb Ben Mahmoud and Federico Grasselli and Michele Ceriotti},
journal= {arXiv preprint arXiv:2205.05591},
year = {2022}
}