原子系统张量性质的对称自适应机器学习
材料科学
2018-01-24 v1 统计力学
摘要
统计学习方法在提供材料和分子性质的准确预测方面展现出巨大潜力，同时最大限度地减少了对计算量大的电子结构计算的需求。通过将标量性质的旋转和置换不变性等基本对称性编码到学习过程中，这些模型的准确性和可迁移性得到了显著提高。然而，预测张量性质要求当参考系旋转时，模型须遵循适当的几何变换，而非不变性。我们引入了一种形式体系，可用于对一般分子几何结构进行任意阶张量性质的机器学习。为了演示这一点，我们推导了一个适应旋转对称性的张量核，它是原子位置平滑重叠（SOAP）核的自然推广，后者通常用于预测原子尺度的标量性质。通过学习复杂度逐渐增加的水寡聚体的瞬时电响应（从孤立分子到凝聚相），证明了该方法的性能和普适性。
引用
@article{arxiv.1709.06757,
title = {Symmetry-Adapted Machine-Learning for Tensorial Properties of Atomistic Systems},
author = {Andrea Grisafi and David M. Wilkins and Gábor Csányi and Michele Ceriotti},
journal= {arXiv preprint arXiv:1709.06757},
year = {2018}
}