从团簇数据预测周期性体系的性质：液态水案例研究
计算物理
2023-12-05 v1 材料科学
机器学习
摘要
训练数据的精度限制了机器学习势预测体相性质的精度。例如，混合泛函或基于波函数的量子化学方法易于用于团簇数据，但实际上难以用于周期性结构。我们表明，机器学习势的局部原子中心描述符能够从团簇模型训练数据预测体相性质，且与体相训练数据的预测结果吻合较好。我们通过利用密度泛函理论研究体相液态水的结构和动力学性质来证明这种可迁移性，并发现其与实验及理论结果均高度一致。
引用
@article{arxiv.2312.01414,
title = {Predicting Properties of Periodic Systems from Cluster Data: A Case Study of Liquid Water},
author = {Viktor Zaverkin and David Holzmüller and Robin Schuldt and Johannes Kästner},
journal= {arXiv preprint arXiv:2312.01414},
year = {2023}
}