利用自回归机器学习在半巨正则系综中采样晶格
统计力学
2021-07-15 v2
摘要
高效且准确地计算热力学势与可观测量，是将统计力学模拟应用于材料科学的关键。然而，此类计算常依赖的朴素蒙特卡洛方法，在诸如高熵合金或多组分催化剂设计等许多前沿领域的复杂材料中难以扩展。为解决此问题，我们将基于机器学习的生成建模构建的采样工具转换到半巨正则系综，从而适配材料空间。此外，我们表明所得模型可在宽泛热力学条件下迁移，并可使用任意内能模型U实现，从而能集成到许多现有材料工作流中。我们展示了该方法对基准系统(AgPd、CuAu)模拟的适用性，这些系统的相图表现出多样的热力学行为。最后，我们讨论了模型开发中剩余的挑战以及未来改进的 promising 研究方向。
引用
@article{arxiv.2107.05109,
title = {Sampling Lattices in Semi-Grand Canonical Ensemble with Autoregressive Machine Learning},
author = {James Damewood and Daniel Schwalbe-Koda and Rafael Gomez-Bombarelli},
journal= {arXiv preprint arXiv:2107.05109},
year = {2021}
}
备注
29 pages, 28 figures