利用局域化学环境预测硅团簇的极化率
材料科学
2021-08-26 v3
摘要
利用第一性原理技术计算大团簇的极化率颇具挑战，因为计算成本随团簇尺寸呈不利标度。为应对该挑战，我们证明可利用机器学习方法高效计算含数千原子的氢化硅大团簇的极化率。具体而言，我们基于平滑重叠原子位置（SOAP）描述符构建机器学习模型，并使用含至多 110 个硅原子的团簇的随机相近似极化率计算数据库训练模型。我们首先展示了机器学习模型拟合数据的能力，随后通过 k 折交叉验证评估其预测团簇极化率的能力。最后，我们研究了对于因过大而无法显式第一性原理计算的团簇的机器学习预测，发现它们准确描述了极化率对氢硅原子比的依赖关系，并预测出与以往研究吻合良好的体相极限。
引用
@article{arxiv.2101.03854,
title = {Predicting polarizabilities of silicon clusters using local chemical environments},
author = {Mario G. Zauchner and Stefano Dal Forno and Gábor Cśanyi and Andrew Horsfield and Johannes Lischner},
journal= {arXiv preprint arXiv:2101.03854},
year = {2021}
}